Introduction

A model is a mathematical representation that may help to explain a system and to study the effects of different components, and to make predictions about behavior.

The modeling process follows through a number of steps:

  1. Define the modeling objective
  2. Obtain the data that would solve the modeling objective
  3. Structure and cleaning the data
  4. Feature Engineering
  5. Modeling
  6. Model validation

For this tutorial, we will consider a public dataset for auto insurance. To answer the first point above, the objective can be two-fold :

  1. Predicting the likelihood that someone will claim (Frequency Model)
  2. Predicting the cost of a claim if a claim occurs (Severity Model)

We will only consider the Frequency model for today.

By answering what type of person is more or less likely to claim, we can thereby know who should pay more or less for their insurance premium.

To answer the second point, in this case the data was obtained from an open source R library.

Setup Code and Load Data

options(scipen = 999)
library(tidyverse)
library(dplyr)
library(insuranceData)
library(caret)
library(pROC)
library(pdp)
library(MLmetrics)

data("dataCar")
dataCar
  veh_value  exposure clm numclaims claimcst0 veh_body veh_age gender area
1      1.06 0.3039014   0         0         0    HBACK       3      F    C
2      1.03 0.6488706   0         0         0    HBACK       2      F    A
3      3.26 0.5694730   0         0         0      UTE       2      F    E
4      4.14 0.3175907   0         0         0    STNWG       2      F    D
5      0.72 0.6488706   0         0         0    HBACK       4      F    C
6      2.01 0.8542094   0         0         0    HDTOP       3      M    C
  agecat            X_OBSTAT_
1      2 01101    0    0    0
2      4 01101    0    0    0
3      2 01101    0    0    0
4      2 01101    0    0    0
5      2 01101    0    0    0
6      4 01101    0    0    0
 [ reached 'max' / getOption("max.print") -- omitted 67850 rows ]

Structure and cleaning the data

Structuring the data in the correct way is the most important step to solve any modeling question. If the data isn’t structured in the right way, any results from the model won’t be reliable at all.

In the example below we see how a classical pricing database should be structured.

The data in this example is already structured in a clean and clear way, however, we will perform some data cleaning in this step.

lapply(dataCar, summary)
$veh_value
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  0.000   1.010   1.500   1.777   2.150  34.560 

$exposure
    Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
0.002738 0.219028 0.446270 0.468651 0.709103 0.999316 

$clm
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
0.00000 0.00000 0.00000 0.06814 0.00000 1.00000 

$numclaims
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
0.00000 0.00000 0.00000 0.07276 0.00000 4.00000 

$claimcst0
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
    0.0     0.0     0.0   137.3     0.0 55922.1 

$veh_body
  BUS CONVT COUPE HBACK HDTOP MCARA MIBUS PANVN RDSTR SEDAN STNWG TRUCK   UTE 
   48    81   780 18915  1579   127   717   752    27 22233 16261  1750  4586 

$veh_age
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  1.000   2.000   3.000   2.674   4.000   4.000 

$gender
    F     M 
38603 29253 

$area
    A     B     C     D     E     F 
16312 13341 20540  8173  5912  3578 

$agecat
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  1.000   2.000   3.000   3.485   5.000   6.000 

$X_OBSTAT_
01101    0    0    0 
               67856 

When we consider the data to clean, there is no hard and fast rules, but some ideas to look out for are :

  1. Missing values in numeric features can be imputed with the mean/median or other advanced methods such as multiple imputation
  2. Extreme values for numeric features can be excluded by capping and collaring
  3. Missing values in categorical features can be imputed with the mode
  4. Categorical values can have lots of modalities (levels) and if so this will cause issues with the modeling part, this can be solved in a number of ways, but the simplest would be to group low-modal levels together as “other” and keep the top one seperately.

Vehicle Value

This should not be 0 and there are some extremely high values that we can get rid of

dataCar$veh_value %>% hist()

Please note that this is a perfect example of when to ask questions. Vehicle values simply cannot be 0, so this could either mean that the data is missing or that we need to exclude these from the model, depending on what the reason for the 0’s in the data is

midVal <- dataCar$veh_value %>% median()
dataCar <- dataCar %>%
  mutate(veh_value = ifelse(veh_value > quantile(veh_value, 0.999) | veh_value == 0, midVal, veh_value))

Vehicle Body

The vehicle body is a categorical variable and as such we could have a situation where we have loads of modalities.

dataCar$veh_body %>% unique() %>% length()
[1] 13

In this case 13 levels are not too much, so no grouping based on the number of modalities is necessary. However, it might be useful to perform the grouping based on the low levels.

dataCar$veh_body %>% table() %>% prop.table()
.
         BUS        CONVT        COUPE        HBACK        HDTOP        MCARA 
0.0007073803 0.0011937043 0.0114949304 0.2787520632 0.0232698656 0.0018716105 
       MIBUS        PANVN        RDSTR        SEDAN        STNWG        TRUCK 
0.0105664938 0.0110822919 0.0003979014 0.3276497288 0.2396398255 0.0257899080 
         UTE 
0.0675842962 

Using intuition, we can see that BUS only represents 0.07% of the data, this will most likely not have much predictive power. We could fix this by grouping it with other variables and at the same time we can do the same with other vehicle groups. Note this is personally selected and could potentially not make a lot of sense - this should be confirmed with experts. There are also other ways of doing this, the most commonly known is clustering, which is an unsupervised technique.

dataCar <- dataCar %>%
  mutate(veh_body = veh_body %>% as.character(),
         veh_body = ifelse(veh_body %in% c("BUS", "MIBUS", "TRUCK"),   "BUS_Class",   veh_body),
         veh_body = ifelse(veh_body %in% c("CONVT", "COUPE", "RDSTR"), "SPORT_Class", veh_body))

X_OBSTAT_

This feature never changes (it always has the same value). Therefore it does not provide any useful information, we can simply remove it from the dataframe

dataCar <- dataCar %>% select(-X_OBSTAT_)

Feature Engineering

There is not much room for feature engineering in this example, but generally speaking this step includes things such as :

  1. Extracting information from text (e.g. ‘Mr. John’, ‘Mrs Jones’ - here we can get the title and gender from the name)
  2. Calculating time differences based on dates (e.g. date of birth, date of purchase = age of client)
  3. Transforming data (a classic example is log-transformation of some variables, which creates a linear relationship between the variables - most relevant for linear models)

There is not right or wrong answer, but more a trial and error in this step, anything can be tested to see the impact on the model. This is where a lot of “art” happens.

Modelling

Modeling is really easy

myFirstModel <- lm(dataCar$numclaims ~ dataCar$veh_value + dataCar$exposure + dataCar$veh_body + dataCar$veh_age + dataCar$gender + dataCar$area + dataCar$agecat)

That is it, we just trained our first model, in 1 line of code.

Is this a good model is a completely different question. We won’t be going into a lot of modeling detail in this example, but rather just cover the basic steps in training a model.

Target Variable

The target variable (or dependent variables) should never have missing values, if this occurs then we can simply ignore those rows of data where the target is missing. The same can be said for cases where the target variable behaves in ways that is not appropriate (imagine predicting house price and observing negative, zero or VERY small positive numbers).

In our case we are predicting the probability of someone claiming, keeping that in mind let’s look at the data

dataCar$clm %>% table() %>% prop.table()
.
         0          1 
0.93185569 0.06814431 
dataCar$numclaims %>% table() %>% prop.table()
.
            0             1             2             3             4 
0.93185569441 0.06385581231 0.00399375147 0.00026526763 0.00002947418 

In the first table we see if someone claimed or not, in the second we can see the number of times the person claimed (let’s say in a year). In classical insurance frequency modeling this is modeled as a Poisson regression since this is a count model, where people could claim more than just once.

What is interesting to note here is in the first table where we only observe 6.8% of people claiming. This is known as an unbalanced dataset. What this means is that we observe a lot less 1’s than 0’s. We can already suspect that this won’t be easy to model because of this imbalance. To understand this more broadly, imagine if I gave you all the data in the world would you have been able to predict the COVID-19 event occurring? Probably not, because this is such an incredibly rare event. On the other hand, if I ask you to predict someone’s gender with all the data you could ever need, would this be possible? Yes, quite easily in-fact, you would mostly need, age, weight and height and you would relatively easily be able to say who is who.

There are ways of dealing with this unbalance (SMOTE is one of them), but we won’t get into that now.

Modelling Framework

The next step is to define the modeling framework, this is essentially defining the key variables for the model that we would be interested in.

target <- "numclaims"
feats  <- c("veh_value", "veh_body", "veh_age", "gender", "area", "agecat")
expo   <- "exposure"
modDat <- dataCar[, c(target, feats, expo)]

You will see that we did not include 2 variables as features clm and claimcst0 as these are known as proxy variables. Since we are modeling the claim count, if we use the variable clm which indicates if a claim occurred or not, then it would simply use the clm variable each time to predict the count and get the target almost perfectly predicted, similarly the claimcst0. We also separated the exposure variable from the features, this is done since we will add the exposure as a sort of weight to the model instead of a regular feature.

The classical definition of exposure in insurance is the amount of time the insurance company is exposed to an individual’s risk. So if someone signed up for a policy on 1 Jan and we look at the policy at the end of June, the exposure would be 0.5. Meaning if someone with an exposure of 0.1 already had a claim vs someone with exposure of 0.9 then the claim associate with the 0.1 exposure should weight more.

Dummy Variables

The next step is to create our dummy variables (or one-hot-encoding). This is basically giving character value a numeric representation

modDatDummy <- modDat %>% dummyVars(formula = "~.", fullRank = F)
modDat      <- predict(modDatDummy, modDat) %>% as.data.frame()

names(modDat)
 [1] "numclaims"           "veh_value"           "veh_bodyBUS_Class"  
 [4] "veh_bodyHBACK"       "veh_bodyHDTOP"       "veh_bodyMCARA"      
 [7] "veh_bodyPANVN"       "veh_bodySEDAN"       "veh_bodySPORT_Class"
[10] "veh_bodySTNWG"       "veh_bodyUTE"         "veh_age"            
[13] "gender.F"            "gender.M"            "area.A"             
[16] "area.B"              "area.C"              "area.D"             
[19] "area.E"              "area.F"              "agecat"             
[22] "exposure"           
modDat
  numclaims veh_value veh_bodyBUS_Class veh_bodyHBACK veh_bodyHDTOP
1         0      1.06                 0             1             0
2         0      1.03                 0             1             0
3         0      3.26                 0             0             0
  veh_bodyMCARA veh_bodyPANVN veh_bodySEDAN veh_bodySPORT_Class veh_bodySTNWG
1             0             0             0                   0             0
2             0             0             0                   0             0
3             0             0             0                   0             0
  veh_bodyUTE veh_age gender.F gender.M area.A area.B area.C area.D area.E
1           0       3        1        0      0      0      1      0      0
2           0       2        1        0      1      0      0      0      0
3           1       2        1        0      0      0      0      0      1
  area.F agecat  exposure
1      0      2 0.3039014
2      0      4 0.6488706
3      0      2 0.5694730
 [ reached 'max' / getOption("max.print") -- omitted 67853 rows ]

Train and Test

Before we start modeling we split the data into 2 or 3 groups :

  1. The training set
  2. The test set
  3. The validation set

The training set is the data that we will use to train our model, we can go back and forth and “play” with this dataset as much as we want.

The test set is a data set used outside of the training set, this is “untouched” data and if the model predicts well on this dataset, then we know that the model is good.

The final dataset is the validation set, this is optional but highly recommended - depending on how much data you have. This is completely untouched data, how this is different to the test data is in the process. When we train and test we imperatively go back and forth between these two datasets and potentially creating a sort of artificially fit to the test data. The validation dataset is used right at the end to confirm the performance of the test and train set being stable

Why is this split important? Well, training a model on the full dataset will likely result in something called “overfitting” which is the occurance where the model predicts the training data really well, but does not generalize to unseen data. This splitting of the data solves the problem.

You will see that we use set.seed at some parts in the code, this is simply to ensure reproducibility and should be used each time a random number is being generated. For more information on this topic please refer to this link

set.seed(1988)
splitIndex <- createDataPartition(modDat[, target],
                                  p     = .75,
                                  list  = FALSE,
                                  times = 1)
trainDF <- modDat[splitIndex,  ]
testDF  <- modDat[-splitIndex, ]

Parameter Optimization

After we set up the datasets, we then have to decide on the model form. There are many to choose from and each have their own advantages and disadvantages, here are a few model forms :

  1. Generalized Linear Models
  2. Random Forests
  3. Gradient Boosting Models

These models can each solve different problems, such as :

  1. Regression
  2. Classification

These are also known as supervised learning models (where we have a target variable) as apposed to unsupervised learning models (no target variable - i.e. clustering).

Depending on the model form you choose, you will need to optimize the associated parameter set that comes with that model. We have chosen here to use a GBM, which is a very popular, effective and powerful model.

objControl <- trainControl(method = "cv",
                           number = 3)
set.seed(42)
gbmGrid <- data.frame(interaction.depth = runif(100, 0 ,   5)    %>% round(0),
                      n.trees           = runif(100, 50,   1000) %>% round(0),
                      n.minobsinnode    = runif(100, 1,    100)  %>% round(0),
                      shrinkage         = runif(100, 0.01, 0.2)  %>% round(4)) %>%
  distinct()

Actual Modelling

As shown at the start, the actual modeling step is not hard at all, it is preparing everything that goes into it that is hard.

We won’t cover each parameter in detail, but here are the main ones :

  1. Formula - This is the modeling formula, which is the target variable explained by the chosen explanatory variables (y ~ x1 + x2 + x3)
  2. Distribution - This is the distribution/family to which the target variable belongs to (classification = binary, regression = gaussian, count = poisson)
  3. Method - The method is the model form to choose from (glm, gbm, rf)
  4. Metric - This is the loss function (logLoss, mse)
  5. Train Control - This controls the training nuances (resampling, pre-processing)
  6. Tuning Grid - This is the parameter search space - the bigger the space is the slower the training will be
formFeats  <- names(trainDF)[names(trainDF) != target & names(trainDF) != expo]
frqFormula <- formula(paste0(target, " ~ ", paste0(formFeats, collapse = " + "), " + offset(log(", expo, "))"))

set.seed(2020)
objModel <- train(frqFormula,
                  data         = trainDF,
                  distribution = "poisson",
                  method       = "gbm",
                  metric       = "logLoss",
                  trControl    = objControl,
                  tuneGrid     = gbmGrid)
Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5286             nan     0.0105    0.0000
     2        0.5285             nan     0.0105    0.0000
     3        0.5285             nan     0.0105    0.0000
     4        0.5284             nan     0.0105    0.0000
     5        0.5284             nan     0.0105    0.0000
     6        0.5283             nan     0.0105    0.0000
     7        0.5283             nan     0.0105    0.0000
     8        0.5283             nan     0.0105    0.0000
     9        0.5282             nan     0.0105    0.0000
    10        0.5282             nan     0.0105    0.0000
    20        0.5278             nan     0.0105   -0.0000
    40        0.5271             nan     0.0105    0.0000
    60        0.5266             nan     0.0105   -0.0000
    80        0.5260             nan     0.0105    0.0000
   100        0.5256             nan     0.0105    0.0000
   120        0.5252             nan     0.0105    0.0000
   140        0.5249             nan     0.0105    0.0000
   160        0.5247             nan     0.0105    0.0000
   180        0.5244             nan     0.0105   -0.0000
   200        0.5242             nan     0.0105   -0.0000
   220        0.5238             nan     0.0105   -0.0000
   240        0.5234             nan     0.0105   -0.0000
   260        0.5232             nan     0.0105   -0.0000
   280        0.5230             nan     0.0105   -0.0000
   300        0.5227             nan     0.0105   -0.0000
   320        0.5225             nan     0.0105    0.0000
   340        0.5223             nan     0.0105    0.0000
   360        0.5221             nan     0.0105   -0.0000
   380        0.5218             nan     0.0105   -0.0000
   400        0.5216             nan     0.0105   -0.0000
   420        0.5215             nan     0.0105   -0.0000
   440        0.5213             nan     0.0105   -0.0000
   460        0.5211             nan     0.0105   -0.0000
   480        0.5209             nan     0.0105   -0.0000
   500        0.5206             nan     0.0105   -0.0000
   520        0.5204             nan     0.0105   -0.0000
   540        0.5202             nan     0.0105   -0.0000
   560        0.5200             nan     0.0105   -0.0000
   580        0.5198             nan     0.0105    0.0000
   600        0.5196             nan     0.0105   -0.0000
   620        0.5194             nan     0.0105    0.0000
   623        0.5194             nan     0.0105   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5286             nan     0.0177    0.0000
     2        0.5285             nan     0.0177    0.0000
     3        0.5284             nan     0.0177    0.0000
     4        0.5284             nan     0.0177    0.0000
     5        0.5284             nan     0.0177    0.0000
     6        0.5283             nan     0.0177    0.0000
     7        0.5283             nan     0.0177    0.0000
     8        0.5282             nan     0.0177    0.0000
     9        0.5282             nan     0.0177    0.0000
    10        0.5282             nan     0.0177   -0.0000
    20        0.5277             nan     0.0177    0.0000
    40        0.5271             nan     0.0177    0.0000
    60        0.5266             nan     0.0177    0.0000
    80        0.5262             nan     0.0177   -0.0000
   100        0.5258             nan     0.0177   -0.0000
   120        0.5255             nan     0.0177   -0.0000
   140        0.5253             nan     0.0177    0.0000
   160        0.5250             nan     0.0177    0.0000
   180        0.5247             nan     0.0177    0.0000
   200        0.5246             nan     0.0177   -0.0000
   220        0.5244             nan     0.0177   -0.0000
   240        0.5241             nan     0.0177    0.0000
   260        0.5240             nan     0.0177   -0.0000
   280        0.5238             nan     0.0177   -0.0000
   300        0.5238             nan     0.0177   -0.0000
   320        0.5236             nan     0.0177   -0.0000
   340        0.5234             nan     0.0177   -0.0000
   360        0.5233             nan     0.0177   -0.0000
   380        0.5233             nan     0.0177   -0.0000
   400        0.5231             nan     0.0177   -0.0000
   420        0.5230             nan     0.0177   -0.0000
   440        0.5228             nan     0.0177   -0.0000
   460        0.5226             nan     0.0177   -0.0000
   480        0.5226             nan     0.0177   -0.0000
   500        0.5225             nan     0.0177   -0.0000
   520        0.5224             nan     0.0177   -0.0000
   540        0.5223             nan     0.0177   -0.0000
   560        0.5222             nan     0.0177   -0.0000
   580        0.5221             nan     0.0177   -0.0000
   600        0.5220             nan     0.0177   -0.0000
   620        0.5219             nan     0.0177   -0.0000
   640        0.5218             nan     0.0177   -0.0000
   660        0.5217             nan     0.0177   -0.0000
   680        0.5217             nan     0.0177   -0.0000
   700        0.5216             nan     0.0177   -0.0000
   720        0.5215             nan     0.0177   -0.0000
   740        0.5215             nan     0.0177   -0.0000
   747        0.5214             nan     0.0177   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5285             nan     0.0178    0.0000
     2        0.5285             nan     0.0178    0.0000
     3        0.5284             nan     0.0178    0.0000
     4        0.5283             nan     0.0178    0.0000
     5        0.5282             nan     0.0178    0.0000
     6        0.5281             nan     0.0178    0.0000
     7        0.5281             nan     0.0178    0.0000
     8        0.5280             nan     0.0178    0.0000
     9        0.5279             nan     0.0178    0.0000
    10        0.5278             nan     0.0178    0.0000
    20        0.5272             nan     0.0178    0.0000
    40        0.5261             nan     0.0178    0.0000
    60        0.5253             nan     0.0178    0.0000
    80        0.5244             nan     0.0178    0.0000
   100        0.5238             nan     0.0178   -0.0000
   120        0.5232             nan     0.0178   -0.0000
   140        0.5226             nan     0.0178   -0.0000
   160        0.5221             nan     0.0178   -0.0000
   180        0.5217             nan     0.0178   -0.0000
   200        0.5212             nan     0.0178   -0.0000
   220        0.5208             nan     0.0178    0.0000
   240        0.5204             nan     0.0178   -0.0000
   260        0.5201             nan     0.0178   -0.0000
   280        0.5197             nan     0.0178   -0.0000
   300        0.5194             nan     0.0178   -0.0000
   320        0.5190             nan     0.0178    0.0000
   340        0.5186             nan     0.0178   -0.0000
   360        0.5184             nan     0.0178   -0.0000
   380        0.5181             nan     0.0178   -0.0000
   400        0.5177             nan     0.0178   -0.0000
   420        0.5174             nan     0.0178   -0.0000
   440        0.5170             nan     0.0178    0.0000
   460        0.5166             nan     0.0178   -0.0000
   480        0.5163             nan     0.0178   -0.0000
   500        0.5159             nan     0.0178   -0.0000
   520        0.5157             nan     0.0178   -0.0000
   540        0.5153             nan     0.0178   -0.0000
   560        0.5151             nan     0.0178   -0.0000
   580        0.5149             nan     0.0178   -0.0000
   600        0.5146             nan     0.0178   -0.0000
   620        0.5142             nan     0.0178   -0.0000
   640        0.5140             nan     0.0178   -0.0000
   660        0.5138             nan     0.0178   -0.0000
   680        0.5136             nan     0.0178   -0.0000
   700        0.5133             nan     0.0178   -0.0000
   720        0.5131             nan     0.0178   -0.0000
   740        0.5128             nan     0.0178   -0.0000
   760        0.5125             nan     0.0178   -0.0000
   780        0.5122             nan     0.0178   -0.0000
   800        0.5120             nan     0.0178   -0.0000
   820        0.5118             nan     0.0178   -0.0000
   826        0.5117             nan     0.0178   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5285             nan     0.0205    0.0000
     2        0.5285             nan     0.0205    0.0000
     3        0.5284             nan     0.0205    0.0000
     4        0.5283             nan     0.0205    0.0000
     5        0.5283             nan     0.0205    0.0000
     6        0.5282             nan     0.0205    0.0000
     7        0.5281             nan     0.0205    0.0000
     8        0.5281             nan     0.0205   -0.0000
     9        0.5280             nan     0.0205    0.0000
    10        0.5279             nan     0.0205    0.0000
    20        0.5274             nan     0.0205    0.0000
    40        0.5265             nan     0.0205    0.0000
    60        0.5258             nan     0.0205   -0.0000
    80        0.5253             nan     0.0205   -0.0000
   100        0.5249             nan     0.0205   -0.0000
   120        0.5243             nan     0.0205   -0.0000
   140        0.5239             nan     0.0205   -0.0000
   160        0.5235             nan     0.0205   -0.0000
   180        0.5232             nan     0.0205   -0.0000
   200        0.5229             nan     0.0205   -0.0000
   220        0.5227             nan     0.0205   -0.0000
   240        0.5223             nan     0.0205   -0.0000
   260        0.5221             nan     0.0205   -0.0000
   280        0.5219             nan     0.0205   -0.0000
   300        0.5217             nan     0.0205   -0.0000
   320        0.5215             nan     0.0205   -0.0000
   340        0.5212             nan     0.0205   -0.0000
   360        0.5210             nan     0.0205   -0.0000
   380        0.5208             nan     0.0205   -0.0001
   400        0.5206             nan     0.0205   -0.0000
   420        0.5205             nan     0.0205   -0.0000
   440        0.5201             nan     0.0205    0.0000
   460        0.5200             nan     0.0205   -0.0000
   480        0.5198             nan     0.0205   -0.0000
   500        0.5196             nan     0.0205   -0.0000
   520        0.5194             nan     0.0205   -0.0000
   540        0.5193             nan     0.0205   -0.0000
   560        0.5191             nan     0.0205   -0.0000
   580        0.5189             nan     0.0205   -0.0000
   600        0.5188             nan     0.0205   -0.0000
   620        0.5186             nan     0.0205   -0.0000
   640        0.5183             nan     0.0205   -0.0000
   660        0.5182             nan     0.0205   -0.0000
   680        0.5180             nan     0.0205   -0.0000
   700        0.5179             nan     0.0205    0.0000
   720        0.5176             nan     0.0205   -0.0000
   740        0.5175             nan     0.0205   -0.0000
   760        0.5171             nan     0.0205   -0.0000
   780        0.5170             nan     0.0205   -0.0000
   800        0.5168             nan     0.0205   -0.0000
   805        0.5167             nan     0.0205   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5286             nan     0.0215    0.0000
     2        0.5285             nan     0.0215    0.0000
     3        0.5285             nan     0.0215    0.0000
     4        0.5285             nan     0.0215    0.0000
     5        0.5284             nan     0.0215    0.0000
     6        0.5284             nan     0.0215    0.0000
     7        0.5284             nan     0.0215    0.0000
     8        0.5283             nan     0.0215    0.0000
     9        0.5283             nan     0.0215    0.0000
    10        0.5283             nan     0.0215    0.0000
    20        0.5280             nan     0.0215    0.0000
    40        0.5276             nan     0.0215   -0.0000
    60        0.5272             nan     0.0215    0.0000
    80        0.5270             nan     0.0215    0.0000
   100        0.5267             nan     0.0215    0.0000
   120        0.5265             nan     0.0215    0.0000
   140        0.5263             nan     0.0215   -0.0000
   160        0.5262             nan     0.0215   -0.0000
   180        0.5260             nan     0.0215   -0.0000
   200        0.5259             nan     0.0215    0.0000
   220        0.5258             nan     0.0215   -0.0000
   240        0.5256             nan     0.0215   -0.0000
   256        0.5255             nan     0.0215   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5285             nan     0.0240    0.0000
     2        0.5285             nan     0.0240    0.0000
     3        0.5284             nan     0.0240    0.0000
     4        0.5283             nan     0.0240    0.0000
     5        0.5282             nan     0.0240    0.0000
     6        0.5282             nan     0.0240    0.0000
     7        0.5281             nan     0.0240   -0.0000
     8        0.5281             nan     0.0240    0.0000
     9        0.5280             nan     0.0240    0.0000
    10        0.5280             nan     0.0240   -0.0000
    20        0.5274             nan     0.0240    0.0000
    40        0.5266             nan     0.0240    0.0000
    60        0.5261             nan     0.0240    0.0000
    80        0.5256             nan     0.0240    0.0000
   100        0.5253             nan     0.0240   -0.0000
   120        0.5249             nan     0.0240    0.0000
   140        0.5247             nan     0.0240   -0.0000
   160        0.5245             nan     0.0240   -0.0000
   180        0.5243             nan     0.0240   -0.0000
   200        0.5241             nan     0.0240   -0.0000
   220        0.5239             nan     0.0240   -0.0000
   240        0.5234             nan     0.0240   -0.0000
   260        0.5233             nan     0.0240   -0.0000
   280        0.5232             nan     0.0240   -0.0000
   300        0.5230             nan     0.0240   -0.0000
   320        0.5229             nan     0.0240   -0.0000
   340        0.5228             nan     0.0240   -0.0000
   360        0.5226             nan     0.0240   -0.0000
   380        0.5225             nan     0.0240   -0.0000
   400        0.5223             nan     0.0240   -0.0000
   420        0.5222             nan     0.0240   -0.0000
   440        0.5221             nan     0.0240   -0.0000
   460        0.5220             nan     0.0240   -0.0000
   480        0.5218             nan     0.0240   -0.0000
   500        0.5217             nan     0.0240   -0.0000
   520        0.5215             nan     0.0240   -0.0001
   540        0.5214             nan     0.0240   -0.0000
   560        0.5213             nan     0.0240   -0.0000
   580        0.5213             nan     0.0240   -0.0000
   600        0.5212             nan     0.0240   -0.0000
   620        0.5211             nan     0.0240   -0.0000
   640        0.5209             nan     0.0240   -0.0000
   660        0.5208             nan     0.0240   -0.0000
   680        0.5208             nan     0.0240   -0.0000
   700        0.5207             nan     0.0240   -0.0000
   720        0.5206             nan     0.0240   -0.0000
   740        0.5204             nan     0.0240   -0.0000
   760        0.5203             nan     0.0240   -0.0000
   780        0.5203             nan     0.0240   -0.0000
   790        0.5202             nan     0.0240   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5285             nan     0.0244    0.0000
     2        0.5284             nan     0.0244    0.0000
     3        0.5283             nan     0.0244    0.0000
     4        0.5282             nan     0.0244    0.0000
     5        0.5281             nan     0.0244    0.0000
     6        0.5281             nan     0.0244    0.0000
     7        0.5280             nan     0.0244    0.0000
     8        0.5279             nan     0.0244    0.0000
     9        0.5279             nan     0.0244    0.0000
    10        0.5278             nan     0.0244    0.0000
    20        0.5272             nan     0.0244    0.0000
    40        0.5262             nan     0.0244   -0.0000
    60        0.5254             nan     0.0244    0.0000
    80        0.5249             nan     0.0244   -0.0000
   100        0.5244             nan     0.0244   -0.0000
   120        0.5240             nan     0.0244   -0.0000
   140        0.5236             nan     0.0244   -0.0000
   160        0.5232             nan     0.0244   -0.0000
   180        0.5229             nan     0.0244   -0.0000
   200        0.5226             nan     0.0244   -0.0000
   220        0.5223             nan     0.0244   -0.0000
   240        0.5221             nan     0.0244    0.0000
   260        0.5218             nan     0.0244   -0.0000
   280        0.5216             nan     0.0244   -0.0000
   300        0.5214             nan     0.0244   -0.0000
   320        0.5210             nan     0.0244   -0.0000
   340        0.5208             nan     0.0244   -0.0000
   360        0.5206             nan     0.0244   -0.0000
   380        0.5203             nan     0.0244   -0.0000
   400        0.5201             nan     0.0244   -0.0000
   420        0.5199             nan     0.0244   -0.0000
   440        0.5197             nan     0.0244   -0.0000
   460        0.5194             nan     0.0244   -0.0000
   480        0.5192             nan     0.0244   -0.0000
   500        0.5189             nan     0.0244   -0.0000
   520        0.5187             nan     0.0244   -0.0000
   540        0.5184             nan     0.0244   -0.0000
   560        0.5181             nan     0.0244   -0.0000
   580        0.5180             nan     0.0244   -0.0000
   600        0.5178             nan     0.0244   -0.0000
   620        0.5175             nan     0.0244   -0.0000
   640        0.5173             nan     0.0244   -0.0000
   660        0.5172             nan     0.0244   -0.0000
   680        0.5170             nan     0.0244   -0.0000
   700        0.5168             nan     0.0244   -0.0000
   720        0.5166             nan     0.0244   -0.0000
   740        0.5164             nan     0.0244   -0.0000
   745        0.5164             nan     0.0244   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5286             nan     0.0264    0.0000
     2        0.5285             nan     0.0264    0.0000
     3        0.5284             nan     0.0264    0.0000
     4        0.5283             nan     0.0264    0.0000
     5        0.5283             nan     0.0264    0.0000
     6        0.5282             nan     0.0264    0.0000
     7        0.5282             nan     0.0264    0.0000
     8        0.5281             nan     0.0264    0.0000
     9        0.5280             nan     0.0264    0.0000
    10        0.5280             nan     0.0264    0.0000
    20        0.5274             nan     0.0264    0.0000
    40        0.5266             nan     0.0264    0.0000
    60        0.5260             nan     0.0264    0.0000
    80        0.5256             nan     0.0264    0.0000
   100        0.5250             nan     0.0264   -0.0000
   120        0.5247             nan     0.0264   -0.0000
   140        0.5244             nan     0.0264   -0.0000
   160        0.5242             nan     0.0264   -0.0000
   180        0.5239             nan     0.0264   -0.0000
   200        0.5236             nan     0.0264   -0.0000
   220        0.5234             nan     0.0264   -0.0000
   240        0.5232             nan     0.0264    0.0000
   260        0.5231             nan     0.0264   -0.0000
   280        0.5229             nan     0.0264   -0.0000
   300        0.5227             nan     0.0264   -0.0000
   320        0.5226             nan     0.0264   -0.0000
   323        0.5226             nan     0.0264   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5285             nan     0.0273    0.0000
     2        0.5284             nan     0.0273    0.0000
     3        0.5284             nan     0.0273    0.0000
     4        0.5283             nan     0.0273    0.0000
     5        0.5282             nan     0.0273    0.0000
     6        0.5281             nan     0.0273    0.0000
     7        0.5281             nan     0.0273    0.0000
     8        0.5280             nan     0.0273    0.0000
     9        0.5279             nan     0.0273    0.0000
    10        0.5279             nan     0.0273    0.0000
    20        0.5273             nan     0.0273    0.0000
    40        0.5266             nan     0.0273   -0.0000
    60        0.5260             nan     0.0273   -0.0000
    80        0.5255             nan     0.0273   -0.0000
   100        0.5251             nan     0.0273   -0.0000
   120        0.5248             nan     0.0273   -0.0000
   126        0.5247             nan     0.0273   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5286             nan     0.0277    0.0000
     2        0.5285             nan     0.0277    0.0000
     3        0.5284             nan     0.0277    0.0000
     4        0.5284             nan     0.0277    0.0000
     5        0.5284             nan     0.0277    0.0000
     6        0.5283             nan     0.0277    0.0000
     7        0.5283             nan     0.0277    0.0000
     8        0.5282             nan     0.0277    0.0000
     9        0.5282             nan     0.0277    0.0000
    10        0.5282             nan     0.0277    0.0000
    20        0.5278             nan     0.0277    0.0000
    40        0.5274             nan     0.0277    0.0000
    60        0.5270             nan     0.0277   -0.0000
    80        0.5266             nan     0.0277   -0.0000
   100        0.5264             nan     0.0277    0.0000
   120        0.5261             nan     0.0277   -0.0000
   140        0.5259             nan     0.0277   -0.0000
   160        0.5258             nan     0.0277   -0.0000
   180        0.5256             nan     0.0277   -0.0000
   200        0.5255             nan     0.0277   -0.0000
   220        0.5254             nan     0.0277   -0.0000
   240        0.5253             nan     0.0277   -0.0000
   260        0.5252             nan     0.0277   -0.0000
   280        0.5251             nan     0.0277   -0.0000
   300        0.5250             nan     0.0277   -0.0000
   320        0.5250             nan     0.0277   -0.0000
   340        0.5249             nan     0.0277   -0.0000
   360        0.5249             nan     0.0277   -0.0000
   380        0.5248             nan     0.0277   -0.0000
   400        0.5248             nan     0.0277   -0.0000
   420        0.5248             nan     0.0277   -0.0000
   440        0.5247             nan     0.0277   -0.0000
   460        0.5247             nan     0.0277   -0.0000
   480        0.5246             nan     0.0277   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5286             nan     0.0286    0.0000
     2        0.5285             nan     0.0286    0.0000
     3        0.5285             nan     0.0286    0.0000
     4        0.5284             nan     0.0286    0.0000
     5        0.5284             nan     0.0286    0.0000
     6        0.5284             nan     0.0286    0.0000
     7        0.5283             nan     0.0286    0.0000
     8        0.5283             nan     0.0286    0.0000
     9        0.5282             nan     0.0286    0.0000
    10        0.5282             nan     0.0286    0.0000
    20        0.5278             nan     0.0286    0.0000
    40        0.5273             nan     0.0286   -0.0000
    60        0.5269             nan     0.0286    0.0000
    80        0.5266             nan     0.0286   -0.0000
   100        0.5263             nan     0.0286    0.0000
   120        0.5261             nan     0.0286   -0.0000
   140        0.5259             nan     0.0286   -0.0000
   160        0.5257             nan     0.0286    0.0000
   180        0.5255             nan     0.0286    0.0000
   200        0.5254             nan     0.0286   -0.0000
   220        0.5253             nan     0.0286   -0.0000
   240        0.5252             nan     0.0286   -0.0000
   260        0.5251             nan     0.0286   -0.0000
   280        0.5250             nan     0.0286   -0.0000
   300        0.5250             nan     0.0286   -0.0000
   320        0.5249             nan     0.0286   -0.0000
   340        0.5249             nan     0.0286   -0.0000
   360        0.5248             nan     0.0286   -0.0000
   380        0.5248             nan     0.0286   -0.0000
   400        0.5248             nan     0.0286   -0.0000
   420        0.5247             nan     0.0286   -0.0000
   440        0.5247             nan     0.0286   -0.0000
   460        0.5246             nan     0.0286   -0.0000
   480        0.5246             nan     0.0286   -0.0000
   500        0.5246             nan     0.0286   -0.0000
   520        0.5245             nan     0.0286   -0.0000
   540        0.5245             nan     0.0286   -0.0000
   560        0.5245             nan     0.0286   -0.0000
   580        0.5245             nan     0.0286   -0.0000
   600        0.5244             nan     0.0286   -0.0000
   620        0.5244             nan     0.0286   -0.0000
   640        0.5244             nan     0.0286   -0.0000
   660        0.5244             nan     0.0286   -0.0000
   680        0.5243             nan     0.0286   -0.0000
   700        0.5243             nan     0.0286   -0.0000
   720        0.5243             nan     0.0286   -0.0000
   740        0.5243             nan     0.0286   -0.0000
   760        0.5242             nan     0.0286   -0.0000
   780        0.5242             nan     0.0286   -0.0000
   800        0.5242             nan     0.0286   -0.0000
   820        0.5242             nan     0.0286   -0.0000
   840        0.5242             nan     0.0286   -0.0000
   860        0.5241             nan     0.0286   -0.0000
   880        0.5241             nan     0.0286   -0.0000
   900        0.5241             nan     0.0286   -0.0000
   920        0.5240             nan     0.0286   -0.0000
   922        0.5240             nan     0.0286   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5285             nan     0.0298    0.0000
     2        0.5285             nan     0.0298    0.0000
     3        0.5283             nan     0.0298    0.0000
     4        0.5282             nan     0.0298    0.0000
     5        0.5282             nan     0.0298    0.0000
     6        0.5281             nan     0.0298    0.0000
     7        0.5280             nan     0.0298    0.0000
     8        0.5280             nan     0.0298    0.0000
     9        0.5279             nan     0.0298    0.0000
    10        0.5278             nan     0.0298    0.0000
    20        0.5273             nan     0.0298    0.0000
    40        0.5265             nan     0.0298   -0.0000
    60        0.5259             nan     0.0298    0.0000
    80        0.5255             nan     0.0298   -0.0000
   100        0.5251             nan     0.0298   -0.0000
   120        0.5248             nan     0.0298   -0.0000
   140        0.5246             nan     0.0298   -0.0000
   160        0.5243             nan     0.0298   -0.0000
   180        0.5242             nan     0.0298   -0.0000
   200        0.5240             nan     0.0298   -0.0000
   220        0.5237             nan     0.0298   -0.0000
   240        0.5235             nan     0.0298   -0.0000
   260        0.5232             nan     0.0298   -0.0000
   280        0.5231             nan     0.0298   -0.0000
   300        0.5229             nan     0.0298   -0.0000
   320        0.5227             nan     0.0298   -0.0000
   340        0.5225             nan     0.0298   -0.0000
   360        0.5223             nan     0.0298   -0.0000
   380        0.5222             nan     0.0298   -0.0000
   400        0.5221             nan     0.0298   -0.0000
   420        0.5220             nan     0.0298   -0.0000
   440        0.5218             nan     0.0298   -0.0000
   460        0.5216             nan     0.0298   -0.0000
   480        0.5216             nan     0.0298   -0.0000
   500        0.5215             nan     0.0298   -0.0000
   506        0.5214             nan     0.0298   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5285             nan     0.0305    0.0000
     2        0.5285             nan     0.0305    0.0000
     3        0.5284             nan     0.0305    0.0000
     4        0.5283             nan     0.0305    0.0000
     5        0.5282             nan     0.0305    0.0000
     6        0.5281             nan     0.0305    0.0000
     7        0.5280             nan     0.0305    0.0000
     8        0.5280             nan     0.0305    0.0000
     9        0.5279             nan     0.0305    0.0000
    10        0.5279             nan     0.0305    0.0000
    20        0.5274             nan     0.0305   -0.0000
    40        0.5265             nan     0.0305    0.0000
    60        0.5260             nan     0.0305    0.0000
    80        0.5254             nan     0.0305   -0.0000
   100        0.5251             nan     0.0305   -0.0000
   120        0.5247             nan     0.0305   -0.0000
   140        0.5245             nan     0.0305   -0.0000
   160        0.5240             nan     0.0305   -0.0000
   180        0.5237             nan     0.0305   -0.0001
   200        0.5235             nan     0.0305   -0.0000
   220        0.5233             nan     0.0305   -0.0000
   240        0.5231             nan     0.0305   -0.0000
   260        0.5229             nan     0.0305   -0.0000
   280        0.5228             nan     0.0305   -0.0000
   300        0.5226             nan     0.0305   -0.0000
   320        0.5224             nan     0.0305    0.0000
   340        0.5223             nan     0.0305   -0.0000
   360        0.5221             nan     0.0305   -0.0000
   380        0.5220             nan     0.0305   -0.0000
   400        0.5219             nan     0.0305   -0.0000
   420        0.5217             nan     0.0305   -0.0000
   440        0.5215             nan     0.0305   -0.0000
   460        0.5214             nan     0.0305   -0.0000
   480        0.5213             nan     0.0305   -0.0000
   500        0.5212             nan     0.0305   -0.0000
   520        0.5211             nan     0.0305   -0.0000
   540        0.5210             nan     0.0305   -0.0000
   560        0.5209             nan     0.0305   -0.0000
   580        0.5208             nan     0.0305   -0.0000
   600        0.5207             nan     0.0305   -0.0000
   620        0.5206             nan     0.0305   -0.0000
   628        0.5205             nan     0.0305   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5286             nan     0.0306    0.0000
     2        0.5285             nan     0.0306    0.0000
     3        0.5284             nan     0.0306    0.0000
     4        0.5282             nan     0.0306    0.0000
     5        0.5282             nan     0.0306    0.0000
     6        0.5281             nan     0.0306    0.0000
     7        0.5280             nan     0.0306    0.0000
     8        0.5280             nan     0.0306    0.0000
     9        0.5279             nan     0.0306    0.0000
    10        0.5278             nan     0.0306    0.0000
    20        0.5272             nan     0.0306    0.0000
    40        0.5264             nan     0.0306    0.0000
    60        0.5258             nan     0.0306   -0.0000
    80        0.5254             nan     0.0306    0.0000
   100        0.5250             nan     0.0306   -0.0000
   120        0.5246             nan     0.0306   -0.0000
   140        0.5243             nan     0.0306   -0.0000
   160        0.5241             nan     0.0306   -0.0000
   180        0.5239             nan     0.0306   -0.0000
   200        0.5235             nan     0.0306   -0.0000
   220        0.5233             nan     0.0306   -0.0000
   240        0.5231             nan     0.0306   -0.0000
   260        0.5229             nan     0.0306   -0.0000
   280        0.5228             nan     0.0306   -0.0000
   300        0.5226             nan     0.0306   -0.0000
   320        0.5225             nan     0.0306   -0.0000
   340        0.5223             nan     0.0306   -0.0000
   360        0.5222             nan     0.0306   -0.0000
   380        0.5221             nan     0.0306   -0.0000
   400        0.5219             nan     0.0306   -0.0000
   420        0.5215             nan     0.0306   -0.0000
   440        0.5214             nan     0.0306   -0.0000
   460        0.5213             nan     0.0306   -0.0000
   480        0.5212             nan     0.0306   -0.0000
   500        0.5210             nan     0.0306   -0.0000
   520        0.5209             nan     0.0306   -0.0000
   540        0.5208             nan     0.0306   -0.0000
   560        0.5207             nan     0.0306   -0.0000
   580        0.5206             nan     0.0306   -0.0000
   600        0.5204             nan     0.0306   -0.0000
   613        0.5204             nan     0.0306   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5285             nan     0.0370    0.0000
     2        0.5282             nan     0.0370    0.0000
     3        0.5280             nan     0.0370    0.0001
     4        0.5278             nan     0.0370    0.0000
     5        0.5277             nan     0.0370    0.0000
     6        0.5275             nan     0.0370    0.0001
     7        0.5274             nan     0.0370    0.0000
     8        0.5273             nan     0.0370    0.0000
     9        0.5272             nan     0.0370    0.0000
    10        0.5271             nan     0.0370    0.0000
    20        0.5260             nan     0.0370   -0.0000
    40        0.5245             nan     0.0370    0.0000
    60        0.5234             nan     0.0370   -0.0000
    80        0.5225             nan     0.0370   -0.0002
   100        0.5217             nan     0.0370   -0.0000
   120        0.5210             nan     0.0370   -0.0000
   140        0.5204             nan     0.0370   -0.0000
   160        0.5196             nan     0.0370   -0.0000
   180        0.5190             nan     0.0370   -0.0000
   200        0.5182             nan     0.0370   -0.0000
   220        0.5176             nan     0.0370   -0.0000
   240        0.5172             nan     0.0370   -0.0000
   260        0.5166             nan     0.0370   -0.0000
   280        0.5160             nan     0.0370   -0.0000
   300        0.5155             nan     0.0370   -0.0000
   320        0.5148             nan     0.0370   -0.0002
   340        0.5145             nan     0.0370   -0.0000
   360        0.5142             nan     0.0370   -0.0000
   380        0.5138             nan     0.0370   -0.0000
   400        0.5132             nan     0.0370   -0.0000
   420        0.5127             nan     0.0370   -0.0000
   440        0.5119             nan     0.0370   -0.0000
   460        0.5114             nan     0.0370   -0.0000
   480        0.5111             nan     0.0370   -0.0000
   500        0.5106             nan     0.0370   -0.0000
   520        0.5102             nan     0.0370   -0.0000
   540        0.5098             nan     0.0370   -0.0000
   560        0.5094             nan     0.0370   -0.0000
   580        0.5092             nan     0.0370   -0.0000
   595        0.5090             nan     0.0370   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5285             nan     0.0402    0.0000
     2        0.5285             nan     0.0402    0.0000
     3        0.5284             nan     0.0402    0.0000
     4        0.5283             nan     0.0402    0.0000
     5        0.5282             nan     0.0402    0.0000
     6        0.5282             nan     0.0402    0.0000
     7        0.5282             nan     0.0402   -0.0000
     8        0.5281             nan     0.0402    0.0000
     9        0.5281             nan     0.0402    0.0000
    10        0.5280             nan     0.0402    0.0000
    20        0.5276             nan     0.0402    0.0000
    40        0.5270             nan     0.0402   -0.0000
    60        0.5265             nan     0.0402    0.0000
    80        0.5261             nan     0.0402    0.0000
   100        0.5258             nan     0.0402    0.0000
   120        0.5256             nan     0.0402   -0.0000
   140        0.5254             nan     0.0402   -0.0000
   160        0.5253             nan     0.0402   -0.0000
   180        0.5252             nan     0.0402   -0.0000
   200        0.5251             nan     0.0402   -0.0000
   220        0.5250             nan     0.0402   -0.0000
   240        0.5249             nan     0.0402   -0.0000
   260        0.5248             nan     0.0402   -0.0000
   280        0.5248             nan     0.0402   -0.0000
   300        0.5247             nan     0.0402   -0.0000
   320        0.5246             nan     0.0402   -0.0000
   340        0.5246             nan     0.0402   -0.0000
   360        0.5245             nan     0.0402   -0.0000
   380        0.5245             nan     0.0402   -0.0000
   400        0.5245             nan     0.0402   -0.0000
   420        0.5245             nan     0.0402   -0.0000
   440        0.5244             nan     0.0402   -0.0000
   460        0.5244             nan     0.0402   -0.0000
   480        0.5244             nan     0.0402   -0.0000
   500        0.5243             nan     0.0402   -0.0000
   520        0.5243             nan     0.0402   -0.0000
   540        0.5243             nan     0.0402   -0.0000
   560        0.5242             nan     0.0402   -0.0000
   580        0.5242             nan     0.0402   -0.0000
   600        0.5242             nan     0.0402   -0.0000
   620        0.5241             nan     0.0402   -0.0000
   640        0.5241             nan     0.0402   -0.0000
   660        0.5241             nan     0.0402   -0.0000
   680        0.5240             nan     0.0402   -0.0000
   700        0.5240             nan     0.0402   -0.0000
   720        0.5240             nan     0.0402   -0.0000
   740        0.5239             nan     0.0402   -0.0000
   747        0.5239             nan     0.0402   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5285             nan     0.0405    0.0001
     2        0.5283             nan     0.0405    0.0001
     3        0.5283             nan     0.0405   -0.0000
     4        0.5282             nan     0.0405    0.0001
     5        0.5281             nan     0.0405    0.0001
     6        0.5280             nan     0.0405    0.0000
     7        0.5279             nan     0.0405   -0.0000
     8        0.5278             nan     0.0405    0.0000
     9        0.5277             nan     0.0405    0.0000
    10        0.5276             nan     0.0405    0.0000
    20        0.5269             nan     0.0405    0.0000
    40        0.5260             nan     0.0405   -0.0000
    60        0.5254             nan     0.0405   -0.0000
    80        0.5248             nan     0.0405   -0.0000
   100        0.5245             nan     0.0405   -0.0000
   120        0.5241             nan     0.0405   -0.0000
   140        0.5238             nan     0.0405   -0.0000
   160        0.5235             nan     0.0405   -0.0000
   180        0.5232             nan     0.0405   -0.0000
   200        0.5230             nan     0.0405   -0.0000
   220        0.5227             nan     0.0405   -0.0000
   240        0.5225             nan     0.0405   -0.0000
   260        0.5224             nan     0.0405   -0.0000
   280        0.5221             nan     0.0405   -0.0000
   300        0.5220             nan     0.0405   -0.0000
   320        0.5219             nan     0.0405   -0.0000
   340        0.5217             nan     0.0405   -0.0000
   360        0.5216             nan     0.0405   -0.0000
   380        0.5215             nan     0.0405   -0.0000
   400        0.5213             nan     0.0405   -0.0000
   420        0.5211             nan     0.0405   -0.0000
   440        0.5210             nan     0.0405   -0.0000
   460        0.5207             nan     0.0405   -0.0000
   480        0.5206             nan     0.0405   -0.0000
   500        0.5205             nan     0.0405   -0.0000
   520        0.5203             nan     0.0405   -0.0000
   540        0.5201             nan     0.0405   -0.0000
   560        0.5199             nan     0.0405   -0.0000
   580        0.5198             nan     0.0405   -0.0000
   600        0.5195             nan     0.0405   -0.0000
   620        0.5194             nan     0.0405   -0.0000
   640        0.5193             nan     0.0405   -0.0000
   650        0.5192             nan     0.0405   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5284             nan     0.0413    0.0001
     2        0.5282             nan     0.0413    0.0001
     3        0.5281             nan     0.0413    0.0000
     4        0.5279             nan     0.0413    0.0000
     5        0.5278             nan     0.0413    0.0001
     6        0.5276             nan     0.0413    0.0000
     7        0.5275             nan     0.0413    0.0000
     8        0.5273             nan     0.0413    0.0000
     9        0.5272             nan     0.0413    0.0001
    10        0.5271             nan     0.0413    0.0000
    20        0.5262             nan     0.0413    0.0000
    40        0.5249             nan     0.0413   -0.0000
    60        0.5238             nan     0.0413   -0.0000
    80        0.5229             nan     0.0413   -0.0000
   100        0.5223             nan     0.0413   -0.0000
   120        0.5216             nan     0.0413   -0.0000
   140        0.5211             nan     0.0413   -0.0000
   160        0.5204             nan     0.0413   -0.0000
   180        0.5199             nan     0.0413   -0.0000
   200        0.5194             nan     0.0413   -0.0000
   220        0.5188             nan     0.0413   -0.0000
   240        0.5182             nan     0.0413    0.0000
   260        0.5177             nan     0.0413   -0.0000
   280        0.5173             nan     0.0413   -0.0000
   300        0.5168             nan     0.0413   -0.0001
   320        0.5164             nan     0.0413   -0.0000
   340        0.5160             nan     0.0413   -0.0000
   360        0.5155             nan     0.0413   -0.0000
   380        0.5150             nan     0.0413   -0.0000
   400        0.5148             nan     0.0413   -0.0000
   420        0.5145             nan     0.0413   -0.0000
   425        0.5144             nan     0.0413   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5285             nan     0.0502    0.0001
     2        0.5284             nan     0.0502    0.0000
     3        0.5283             nan     0.0502    0.0000
     4        0.5282             nan     0.0502    0.0001
     5        0.5280             nan     0.0502    0.0001
     6        0.5279             nan     0.0502    0.0000
     7        0.5277             nan     0.0502    0.0001
     8        0.5276             nan     0.0502    0.0000
     9        0.5275             nan     0.0502    0.0000
    10        0.5274             nan     0.0502    0.0000
    20        0.5267             nan     0.0502    0.0000
    40        0.5256             nan     0.0502    0.0000
    60        0.5249             nan     0.0502   -0.0000
    80        0.5243             nan     0.0502   -0.0000
   100        0.5239             nan     0.0502    0.0000
   120        0.5236             nan     0.0502   -0.0000
   140        0.5232             nan     0.0502   -0.0000
   160        0.5229             nan     0.0502   -0.0000
   180        0.5225             nan     0.0502    0.0001
   200        0.5222             nan     0.0502   -0.0000
   220        0.5220             nan     0.0502   -0.0000
   240        0.5217             nan     0.0502   -0.0000
   260        0.5215             nan     0.0502   -0.0000
   280        0.5213             nan     0.0502   -0.0000
   300        0.5211             nan     0.0502   -0.0000
   320        0.5210             nan     0.0502   -0.0000
   340        0.5208             nan     0.0502   -0.0000
   360        0.5206             nan     0.0502   -0.0000
   380        0.5204             nan     0.0502   -0.0000
   400        0.5203             nan     0.0502   -0.0000
   420        0.5200             nan     0.0502   -0.0000
   440        0.5198             nan     0.0502   -0.0000
   460        0.5194             nan     0.0502   -0.0000
   480        0.5192             nan     0.0502   -0.0000
   500        0.5191             nan     0.0502   -0.0000
   520        0.5189             nan     0.0502   -0.0000
   540        0.5188             nan     0.0502   -0.0000
   559        0.5186             nan     0.0502   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5284             nan     0.0536    0.0000
     2        0.5282             nan     0.0536    0.0000
     3        0.5280             nan     0.0536    0.0000
     4        0.5278             nan     0.0536    0.0001
     5        0.5276             nan     0.0536    0.0000
     6        0.5274             nan     0.0536    0.0001
     7        0.5272             nan     0.0536    0.0001
     8        0.5270             nan     0.0536    0.0000
     9        0.5268             nan     0.0536    0.0001
    10        0.5267             nan     0.0536    0.0000
    20        0.5254             nan     0.0536   -0.0000
    40        0.5235             nan     0.0536    0.0000
    60        0.5222             nan     0.0536   -0.0000
    80        0.5210             nan     0.0536   -0.0000
   100        0.5201             nan     0.0536   -0.0000
   120        0.5190             nan     0.0536   -0.0000
   140        0.5183             nan     0.0536   -0.0000
   160        0.5175             nan     0.0536   -0.0000
   173        0.5170             nan     0.0536   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5284             nan     0.0631    0.0001
     2        0.5281             nan     0.0631    0.0001
     3        0.5279             nan     0.0631    0.0000
     4        0.5277             nan     0.0631    0.0001
     5        0.5275             nan     0.0631    0.0000
     6        0.5274             nan     0.0631    0.0000
     7        0.5271             nan     0.0631    0.0000
     8        0.5270             nan     0.0631    0.0000
     9        0.5268             nan     0.0631    0.0000
    10        0.5267             nan     0.0631    0.0000
    20        0.5256             nan     0.0631    0.0000
    40        0.5235             nan     0.0631   -0.0000
    60        0.5220             nan     0.0631   -0.0000
    80        0.5209             nan     0.0631   -0.0000
   100        0.5202             nan     0.0631   -0.0000
   120        0.5192             nan     0.0631   -0.0000
   140        0.5184             nan     0.0631   -0.0000
   160        0.5176             nan     0.0631   -0.0001
   180        0.5169             nan     0.0631   -0.0000
   200        0.5161             nan     0.0631   -0.0000
   220        0.5152             nan     0.0631   -0.0000
   240        0.5145             nan     0.0631   -0.0001
   260        0.5140             nan     0.0631   -0.0000
   280        0.5133             nan     0.0631   -0.0002
   300        0.5129             nan     0.0631   -0.0001
   320        0.5125             nan     0.0631   -0.0004
   340        0.5117             nan     0.0631   -0.0000
   360        0.5110             nan     0.0631   -0.0000
   380        0.5103             nan     0.0631   -0.0000
   400        0.5101             nan     0.0631   -0.0000
   420        0.5094             nan     0.0631   -0.0000
   440        0.5088             nan     0.0631   -0.0000
   460        0.5084             nan     0.0631   -0.0000
   480        0.5081             nan     0.0631   -0.0002
   500        0.5078             nan     0.0631   -0.0000
   520        0.5071             nan     0.0631   -0.0000
   540        0.5066             nan     0.0631   -0.0001
   560        0.5060             nan     0.0631   -0.0000
   580        0.5055             nan     0.0631   -0.0000
   600        0.5051             nan     0.0631   -0.0001
   620        0.5049             nan     0.0631   -0.0000
   622        0.5048             nan     0.0631   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5283             nan     0.0632    0.0001
     2        0.5281             nan     0.0632    0.0001
     3        0.5279             nan     0.0632    0.0001
     4        0.5277             nan     0.0632    0.0001
     5        0.5275             nan     0.0632    0.0000
     6        0.5274             nan     0.0632    0.0000
     7        0.5272             nan     0.0632    0.0000
     8        0.5271             nan     0.0632    0.0000
     9        0.5269             nan     0.0632    0.0000
    10        0.5268             nan     0.0632    0.0000
    20        0.5259             nan     0.0632   -0.0000
    40        0.5244             nan     0.0632   -0.0000
    60        0.5235             nan     0.0632   -0.0000
    80        0.5229             nan     0.0632   -0.0000
   100        0.5222             nan     0.0632   -0.0000
   120        0.5215             nan     0.0632    0.0000
   140        0.5210             nan     0.0632   -0.0000
   160        0.5207             nan     0.0632   -0.0000
   180        0.5203             nan     0.0632   -0.0000
   200        0.5198             nan     0.0632   -0.0000
   220        0.5194             nan     0.0632   -0.0001
   240        0.5190             nan     0.0632   -0.0000
   260        0.5187             nan     0.0632   -0.0000
   280        0.5184             nan     0.0632   -0.0000
   296        0.5182             nan     0.0632   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5283             nan     0.0632    0.0001
     2        0.5280             nan     0.0632    0.0001
     3        0.5278             nan     0.0632    0.0001
     4        0.5275             nan     0.0632    0.0001
     5        0.5272             nan     0.0632    0.0001
     6        0.5270             nan     0.0632    0.0001
     7        0.5268             nan     0.0632    0.0001
     8        0.5267             nan     0.0632    0.0000
     9        0.5265             nan     0.0632    0.0000
    10        0.5264             nan     0.0632    0.0000
    20        0.5250             nan     0.0632   -0.0000
    40        0.5234             nan     0.0632   -0.0001
    60        0.5212             nan     0.0632   -0.0002
    80        0.5201             nan     0.0632   -0.0000
   100        0.5191             nan     0.0632   -0.0001
   120        0.5182             nan     0.0632   -0.0001
   140        0.5174             nan     0.0632   -0.0000
   160        0.5167             nan     0.0632   -0.0001
   180        0.5159             nan     0.0632   -0.0001
   200        0.5153             nan     0.0632   -0.0000
   220        0.5147             nan     0.0632   -0.0000
   240        0.5141             nan     0.0632   -0.0000
   260        0.5136             nan     0.0632   -0.0000
   280        0.5129             nan     0.0632   -0.0000
   300        0.5123             nan     0.0632   -0.0001
   320        0.5118             nan     0.0632   -0.0001
   340        0.5113             nan     0.0632   -0.0000
   360        0.5108             nan     0.0632   -0.0000
   380        0.5102             nan     0.0632   -0.0000
   400        0.5097             nan     0.0632   -0.0000
   420        0.5092             nan     0.0632   -0.0001
   440        0.5087             nan     0.0632   -0.0001
   460        0.5082             nan     0.0632   -0.0000
   480        0.5077             nan     0.0632   -0.0000
   500        0.5073             nan     0.0632   -0.0000
   520        0.5069             nan     0.0632   -0.0000
   540        0.5066             nan     0.0632   -0.0000
   560        0.5061             nan     0.0632   -0.0001
   580        0.5058             nan     0.0632   -0.0000
   600        0.5054             nan     0.0632   -0.0000
   610        0.5052             nan     0.0632   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5285             nan     0.0647    0.0001
     2        0.5284             nan     0.0647    0.0000
     3        0.5283             nan     0.0647    0.0001
     4        0.5282             nan     0.0647    0.0000
     5        0.5281             nan     0.0647    0.0000
     6        0.5281             nan     0.0647    0.0000
     7        0.5280             nan     0.0647    0.0000
     8        0.5279             nan     0.0647    0.0000
     9        0.5278             nan     0.0647    0.0000
    10        0.5278             nan     0.0647    0.0000
    20        0.5273             nan     0.0647    0.0000
    40        0.5264             nan     0.0647    0.0000
    60        0.5260             nan     0.0647    0.0000
    80        0.5256             nan     0.0647   -0.0000
   100        0.5254             nan     0.0647   -0.0000
   120        0.5252             nan     0.0647   -0.0000
   140        0.5250             nan     0.0647   -0.0000
   160        0.5249             nan     0.0647   -0.0000
   180        0.5248             nan     0.0647   -0.0000
   200        0.5247             nan     0.0647   -0.0000
   220        0.5246             nan     0.0647   -0.0000
   227        0.5246             nan     0.0647   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5283             nan     0.0655    0.0001
     2        0.5281             nan     0.0655    0.0001
     3        0.5279             nan     0.0655    0.0001
     4        0.5277             nan     0.0655    0.0000
     5        0.5275             nan     0.0655    0.0001
     6        0.5273             nan     0.0655    0.0000
     7        0.5271             nan     0.0655    0.0001
     8        0.5270             nan     0.0655    0.0000
     9        0.5268             nan     0.0655    0.0001
    10        0.5267             nan     0.0655    0.0000
    20        0.5255             nan     0.0655    0.0000
    40        0.5244             nan     0.0655   -0.0000
    60        0.5233             nan     0.0655   -0.0000
    80        0.5225             nan     0.0655   -0.0000
   100        0.5216             nan     0.0655   -0.0000
   120        0.5211             nan     0.0655   -0.0001
   140        0.5204             nan     0.0655   -0.0000
   160        0.5200             nan     0.0655   -0.0000
   180        0.5194             nan     0.0655   -0.0000
   200        0.5191             nan     0.0655   -0.0000
   220        0.5183             nan     0.0655   -0.0000
   240        0.5175             nan     0.0655   -0.0000
   260        0.5170             nan     0.0655   -0.0000
   280        0.5167             nan     0.0655   -0.0000
   300        0.5162             nan     0.0655   -0.0000
   320        0.5158             nan     0.0655   -0.0000
   340        0.5154             nan     0.0655   -0.0000
   360        0.5151             nan     0.0655   -0.0000
   380        0.5146             nan     0.0655   -0.0000
   400        0.5142             nan     0.0655   -0.0000
   420        0.5138             nan     0.0655   -0.0000
   440        0.5134             nan     0.0655   -0.0000
   460        0.5129             nan     0.0655   -0.0000
   480        0.5126             nan     0.0655   -0.0000
   500        0.5122             nan     0.0655   -0.0000
   520        0.5118             nan     0.0655   -0.0000
   540        0.5117             nan     0.0655   -0.0000
   560        0.5115             nan     0.0655   -0.0000
   580        0.5113             nan     0.0655   -0.0000
   600        0.5111             nan     0.0655   -0.0001
   620        0.5108             nan     0.0655   -0.0000
   640        0.5105             nan     0.0655   -0.0001
   642        0.5105             nan     0.0655   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5283             nan     0.0664    0.0001
     2        0.5279             nan     0.0664    0.0001
     3        0.5277             nan     0.0664    0.0001
     4        0.5274             nan     0.0664    0.0000
     5        0.5272             nan     0.0664    0.0001
     6        0.5270             nan     0.0664    0.0001
     7        0.5268             nan     0.0664   -0.0000
     8        0.5267             nan     0.0664   -0.0000
     9        0.5265             nan     0.0664    0.0000
    10        0.5264             nan     0.0664    0.0000
    20        0.5250             nan     0.0664   -0.0000
    40        0.5232             nan     0.0664    0.0000
    51        0.5223             nan     0.0664   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5283             nan     0.0683    0.0001
     2        0.5280             nan     0.0683    0.0001
     3        0.5277             nan     0.0683    0.0001
     4        0.5275             nan     0.0683    0.0000
     5        0.5273             nan     0.0683    0.0000
     6        0.5271             nan     0.0683    0.0000
     7        0.5270             nan     0.0683    0.0000
     8        0.5268             nan     0.0683    0.0000
     9        0.5267             nan     0.0683    0.0000
    10        0.5265             nan     0.0683    0.0000
    20        0.5250             nan     0.0683   -0.0000
    40        0.5233             nan     0.0683    0.0000
    52        0.5225             nan     0.0683   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5285             nan     0.0702    0.0001
     2        0.5283             nan     0.0702    0.0001
     3        0.5282             nan     0.0702    0.0000
     4        0.5281             nan     0.0702    0.0000
     5        0.5280             nan     0.0702    0.0000
     6        0.5280             nan     0.0702    0.0000
     7        0.5279             nan     0.0702    0.0000
     8        0.5278             nan     0.0702    0.0000
     9        0.5277             nan     0.0702    0.0000
    10        0.5277             nan     0.0702    0.0000
    20        0.5271             nan     0.0702    0.0000
    40        0.5264             nan     0.0702   -0.0000
    60        0.5259             nan     0.0702    0.0000
    80        0.5256             nan     0.0702   -0.0000
   100        0.5253             nan     0.0702   -0.0000
   120        0.5252             nan     0.0702   -0.0000
   140        0.5250             nan     0.0702   -0.0000
   158        0.5249             nan     0.0702   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5283             nan     0.0708    0.0001
     2        0.5281             nan     0.0708    0.0001
     3        0.5279             nan     0.0708    0.0001
     4        0.5277             nan     0.0708    0.0001
     5        0.5275             nan     0.0708    0.0001
     6        0.5273             nan     0.0708    0.0000
     7        0.5271             nan     0.0708    0.0000
     8        0.5270             nan     0.0708    0.0000
     9        0.5269             nan     0.0708    0.0000
    10        0.5268             nan     0.0708    0.0000
    20        0.5256             nan     0.0708    0.0000
    40        0.5243             nan     0.0708   -0.0000
    60        0.5234             nan     0.0708   -0.0000
    80        0.5225             nan     0.0708   -0.0000
   100        0.5217             nan     0.0708   -0.0000
   120        0.5210             nan     0.0708   -0.0000
   140        0.5199             nan     0.0708   -0.0000
   160        0.5194             nan     0.0708   -0.0000
   180        0.5188             nan     0.0708   -0.0000
   200        0.5183             nan     0.0708   -0.0001
   220        0.5177             nan     0.0708   -0.0000
   240        0.5173             nan     0.0708   -0.0001
   260        0.5168             nan     0.0708   -0.0001
   280        0.5163             nan     0.0708   -0.0000
   300        0.5160             nan     0.0708   -0.0000
   320        0.5156             nan     0.0708   -0.0000
   340        0.5150             nan     0.0708   -0.0000
   360        0.5147             nan     0.0708   -0.0000
   380        0.5144             nan     0.0708   -0.0000
   400        0.5138             nan     0.0708   -0.0000
   420        0.5134             nan     0.0708   -0.0000
   440        0.5126             nan     0.0708    0.0001
   460        0.5123             nan     0.0708   -0.0000
   480        0.5122             nan     0.0708   -0.0000
   500        0.5119             nan     0.0708   -0.0000
   520        0.5115             nan     0.0708   -0.0000
   540        0.5112             nan     0.0708   -0.0000
   559        0.5108             nan     0.0708   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5285             nan     0.0712    0.0001
     2        0.5284             nan     0.0712    0.0000
     3        0.5283             nan     0.0712    0.0001
     4        0.5282             nan     0.0712    0.0000
     5        0.5281             nan     0.0712    0.0000
     6        0.5280             nan     0.0712    0.0000
     7        0.5280             nan     0.0712    0.0000
     8        0.5279             nan     0.0712    0.0000
     9        0.5278             nan     0.0712    0.0000
    10        0.5277             nan     0.0712    0.0000
    20        0.5271             nan     0.0712   -0.0000
    40        0.5264             nan     0.0712    0.0000
    60        0.5258             nan     0.0712    0.0000
    80        0.5255             nan     0.0712   -0.0000
   100        0.5252             nan     0.0712   -0.0000
   120        0.5251             nan     0.0712   -0.0000
   140        0.5249             nan     0.0712   -0.0000
   160        0.5248             nan     0.0712   -0.0000
   180        0.5247             nan     0.0712   -0.0000
   200        0.5246             nan     0.0712   -0.0000
   220        0.5245             nan     0.0712   -0.0000
   240        0.5245             nan     0.0712   -0.0000
   260        0.5244             nan     0.0712   -0.0000
   280        0.5243             nan     0.0712   -0.0000
   300        0.5243             nan     0.0712   -0.0000
   320        0.5243             nan     0.0712   -0.0000
   340        0.5242             nan     0.0712   -0.0000
   360        0.5242             nan     0.0712   -0.0000
   380        0.5241             nan     0.0712   -0.0000
   400        0.5241             nan     0.0712   -0.0000
   420        0.5240             nan     0.0712   -0.0000
   440        0.5240             nan     0.0712   -0.0000
   441        0.5240             nan     0.0712   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5283             nan     0.0722    0.0001
     2        0.5280             nan     0.0722    0.0001
     3        0.5277             nan     0.0722    0.0001
     4        0.5274             nan     0.0722    0.0001
     5        0.5272             nan     0.0722    0.0001
     6        0.5270             nan     0.0722    0.0000
     7        0.5269             nan     0.0722   -0.0000
     8        0.5268             nan     0.0722    0.0000
     9        0.5266             nan     0.0722    0.0001
    10        0.5262             nan     0.0722    0.0001
    20        0.5249             nan     0.0722   -0.0000
    40        0.5231             nan     0.0722   -0.0000
    60        0.5218             nan     0.0722   -0.0000
    80        0.5204             nan     0.0722   -0.0002
   100        0.5195             nan     0.0722   -0.0000
   120        0.5180             nan     0.0722   -0.0000
   140        0.5172             nan     0.0722   -0.0002
   160        0.5162             nan     0.0722   -0.0000
   180        0.5155             nan     0.0722   -0.0001
   200        0.5146             nan     0.0722   -0.0000
   220        0.5138             nan     0.0722   -0.0001
   240        0.5134             nan     0.0722   -0.0000
   260        0.5127             nan     0.0722   -0.0000
   280        0.5122             nan     0.0722   -0.0000
   300        0.5114             nan     0.0722   -0.0000
   320        0.5113             nan     0.0722   -0.0000
   340        0.5107             nan     0.0722   -0.0000
   360        0.5100             nan     0.0722   -0.0000
   380        0.5095             nan     0.0722   -0.0000
   400        0.5090             nan     0.0722   -0.0001
   419        0.5085             nan     0.0722   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5284             nan     0.0781    0.0001
     2        0.5282             nan     0.0781    0.0001
     3        0.5280             nan     0.0781    0.0001
     4        0.5278             nan     0.0781    0.0000
     5        0.5276             nan     0.0781    0.0000
     6        0.5275             nan     0.0781    0.0000
     7        0.5274             nan     0.0781    0.0000
     8        0.5273             nan     0.0781    0.0000
     9        0.5273             nan     0.0781    0.0000
    10        0.5272             nan     0.0781   -0.0000
    20        0.5263             nan     0.0781    0.0000
    40        0.5252             nan     0.0781   -0.0000
    60        0.5246             nan     0.0781   -0.0000
    80        0.5240             nan     0.0781   -0.0000
   100        0.5237             nan     0.0781   -0.0001
   120        0.5233             nan     0.0781   -0.0000
   140        0.5232             nan     0.0781   -0.0000
   160        0.5227             nan     0.0781   -0.0000
   180        0.5223             nan     0.0781   -0.0000
   200        0.5220             nan     0.0781   -0.0000
   220        0.5217             nan     0.0781   -0.0000
   240        0.5215             nan     0.0781   -0.0000
   260        0.5209             nan     0.0781   -0.0000
   280        0.5205             nan     0.0781   -0.0000
   300        0.5201             nan     0.0781   -0.0000
   320        0.5201             nan     0.0781   -0.0000
   340        0.5200             nan     0.0781   -0.0000
   360        0.5197             nan     0.0781   -0.0000
   380        0.5195             nan     0.0781   -0.0000
   400        0.5191             nan     0.0781   -0.0000
   420        0.5188             nan     0.0781   -0.0000
   440        0.5185             nan     0.0781   -0.0000
   460        0.5184             nan     0.0781   -0.0000
   480        0.5183             nan     0.0781   -0.0000
   500        0.5182             nan     0.0781    0.0000
   520        0.5178             nan     0.0781   -0.0000
   540        0.5176             nan     0.0781   -0.0000
   560        0.5174             nan     0.0781   -0.0000
   580        0.5174             nan     0.0781   -0.0000
   600        0.5174             nan     0.0781   -0.0000
   620        0.5173             nan     0.0781   -0.0000
   640        0.5171             nan     0.0781   -0.0000
   660        0.5169             nan     0.0781   -0.0000
   680        0.5168             nan     0.0781   -0.0000
   700        0.5168             nan     0.0781   -0.0000
   720        0.5165             nan     0.0781   -0.0000
   740        0.5162             nan     0.0781   -0.0000
   760        0.5161             nan     0.0781   -0.0000
   780        0.5158             nan     0.0781   -0.0000
   800        0.5156             nan     0.0781   -0.0000
   820        0.5153             nan     0.0781   -0.0000
   840        0.5152             nan     0.0781   -0.0000
   860        0.5149             nan     0.0781   -0.0000
   880        0.5148             nan     0.0781   -0.0000
   900        0.5146             nan     0.0781   -0.0001
   920        0.5144             nan     0.0781   -0.0000
   923        0.5144             nan     0.0781   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5282             nan     0.0784    0.0001
     2        0.5278             nan     0.0784    0.0001
     3        0.5275             nan     0.0784    0.0000
     4        0.5273             nan     0.0784   -0.0001
     5        0.5270             nan     0.0784    0.0001
     6        0.5269             nan     0.0784    0.0000
     7        0.5266             nan     0.0784    0.0001
     8        0.5264             nan     0.0784    0.0000
     9        0.5261             nan     0.0784    0.0001
    10        0.5260             nan     0.0784    0.0000
    20        0.5244             nan     0.0784    0.0000
    40        0.5226             nan     0.0784   -0.0002
    60        0.5211             nan     0.0784   -0.0000
    80        0.5195             nan     0.0784   -0.0000
   100        0.5190             nan     0.0784   -0.0002
   120        0.5178             nan     0.0784   -0.0001
   140        0.5166             nan     0.0784   -0.0001
   160        0.5152             nan     0.0784   -0.0001
   180        0.5138             nan     0.0784   -0.0000
   200        0.5131             nan     0.0784   -0.0000
   220        0.5122             nan     0.0784   -0.0000
   240        0.5110             nan     0.0784   -0.0001
   260        0.5100             nan     0.0784   -0.0000
   280        0.5091             nan     0.0784   -0.0000
   300        0.5080             nan     0.0784   -0.0001
   320        0.5070             nan     0.0784   -0.0001
   340        0.5061             nan     0.0784   -0.0000
   360        0.5055             nan     0.0784   -0.0002
   380        0.5047             nan     0.0784   -0.0001
   400        0.5038             nan     0.0784   -0.0000
   420        0.5031             nan     0.0784   -0.0000
   440        0.5029             nan     0.0784   -0.0001
   460        0.5021             nan     0.0784   -0.0000
   480        0.5012             nan     0.0784   -0.0000
   500        0.5004             nan     0.0784   -0.0000
   520        0.4998             nan     0.0784   -0.0002
   540        0.4990             nan     0.0784   -0.0000
   560        0.4984             nan     0.0784   -0.0001
   580        0.4979             nan     0.0784   -0.0000
   600        0.4974             nan     0.0784   -0.0000
   620        0.4965             nan     0.0784   -0.0001
   640        0.4960             nan     0.0784   -0.0000
   660        0.4952             nan     0.0784   -0.0000
   680        0.4946             nan     0.0784   -0.0001
   700        0.4942             nan     0.0784   -0.0001
   720        0.4941             nan     0.0784   -0.0000
   740        0.4937             nan     0.0784   -0.0000
   760        0.4932             nan     0.0784   -0.0000
   780        0.4931             nan     0.0784   -0.0004
   790        0.4927             nan     0.0784   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5284             nan     0.0794    0.0001
     2        0.5282             nan     0.0794    0.0001
     3        0.5279             nan     0.0794    0.0001
     4        0.5277             nan     0.0794    0.0001
     5        0.5276             nan     0.0794    0.0000
     6        0.5274             nan     0.0794    0.0001
     7        0.5273             nan     0.0794    0.0000
     8        0.5272             nan     0.0794    0.0000
     9        0.5270             nan     0.0794    0.0000
    10        0.5269             nan     0.0794    0.0000
    20        0.5261             nan     0.0794    0.0000
    40        0.5249             nan     0.0794   -0.0000
    60        0.5242             nan     0.0794    0.0000
    80        0.5239             nan     0.0794   -0.0003
   100        0.5235             nan     0.0794    0.0000
   120        0.5231             nan     0.0794   -0.0000
   140        0.5227             nan     0.0794   -0.0001
   160        0.5224             nan     0.0794   -0.0000
   180        0.5221             nan     0.0794   -0.0000
   200        0.5219             nan     0.0794    0.0000
   220        0.5215             nan     0.0794   -0.0000
   240        0.5212             nan     0.0794   -0.0000
   260        0.5209             nan     0.0794   -0.0000
   280        0.5206             nan     0.0794   -0.0000
   300        0.5204             nan     0.0794   -0.0000
   320        0.5202             nan     0.0794   -0.0001
   340        0.5199             nan     0.0794   -0.0000
   351        0.5199             nan     0.0794   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5284             nan     0.0809    0.0000
     2        0.5282             nan     0.0809    0.0001
     3        0.5279             nan     0.0809    0.0001
     4        0.5277             nan     0.0809    0.0000
     5        0.5275             nan     0.0809    0.0000
     6        0.5273             nan     0.0809    0.0000
     7        0.5272             nan     0.0809    0.0000
     8        0.5271             nan     0.0809   -0.0000
     9        0.5269             nan     0.0809    0.0000
    10        0.5268             nan     0.0809    0.0001
    20        0.5257             nan     0.0809   -0.0000
    40        0.5242             nan     0.0809   -0.0000
    60        0.5232             nan     0.0809   -0.0000
    80        0.5225             nan     0.0809   -0.0004
   100        0.5213             nan     0.0809   -0.0001
   120        0.5204             nan     0.0809   -0.0001
   140        0.5195             nan     0.0809   -0.0000
   160        0.5189             nan     0.0809   -0.0000
   180        0.5185             nan     0.0809   -0.0000
   200        0.5178             nan     0.0809   -0.0000
   220        0.5172             nan     0.0809   -0.0000
   240        0.5165             nan     0.0809   -0.0000
   260        0.5162             nan     0.0809   -0.0000
   280        0.5157             nan     0.0809   -0.0000
   300        0.5152             nan     0.0809   -0.0001
   320        0.5146             nan     0.0809   -0.0000
   340        0.5141             nan     0.0809   -0.0000
   360        0.5136             nan     0.0809   -0.0000
   380        0.5133             nan     0.0809   -0.0000
   400        0.5129             nan     0.0809   -0.0000
   420        0.5124             nan     0.0809   -0.0000
   440        0.5120             nan     0.0809   -0.0000
   460        0.5116             nan     0.0809   -0.0000
   480        0.5116             nan     0.0809   -0.0000
   500        0.5110             nan     0.0809   -0.0001
   520        0.5105             nan     0.0809   -0.0000
   540        0.5099             nan     0.0809   -0.0000
   560        0.5096             nan     0.0809   -0.0000
   580        0.5091             nan     0.0809   -0.0000
   600        0.5087             nan     0.0809   -0.0000
   620        0.5083             nan     0.0809   -0.0000
   640        0.5078             nan     0.0809    0.0000
   660        0.5075             nan     0.0809   -0.0000
   680        0.5075             nan     0.0809   -0.0000
   700        0.5071             nan     0.0809   -0.0001
   720        0.5070             nan     0.0809   -0.0000
   740        0.5066             nan     0.0809   -0.0000
   760        0.5062             nan     0.0809   -0.0000
   780        0.5058             nan     0.0809   -0.0000
   800        0.5054             nan     0.0809   -0.0000
   820        0.5051             nan     0.0809   -0.0000
   840        0.5050             nan     0.0809   -0.0000
   860        0.5048             nan     0.0809   -0.0000
   880        0.5046             nan     0.0809   -0.0003
   900        0.5042             nan     0.0809   -0.0001
   920        0.5040             nan     0.0809   -0.0001
   940        0.5039             nan     0.0809   -0.0001
   947        0.5037             nan     0.0809   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5282             nan     0.0841    0.0001
     2        0.5280             nan     0.0841    0.0001
     3        0.5277             nan     0.0841    0.0001
     4        0.5275             nan     0.0841    0.0001
     5        0.5273             nan     0.0841    0.0000
     6        0.5271             nan     0.0841    0.0001
     7        0.5270             nan     0.0841    0.0001
     8        0.5268             nan     0.0841   -0.0000
     9        0.5267             nan     0.0841    0.0001
    10        0.5266             nan     0.0841    0.0000
    20        0.5253             nan     0.0841   -0.0000
    40        0.5239             nan     0.0841    0.0000
    60        0.5233             nan     0.0841   -0.0000
    80        0.5225             nan     0.0841   -0.0001
   100        0.5218             nan     0.0841   -0.0001
   120        0.5211             nan     0.0841   -0.0000
   140        0.5204             nan     0.0841   -0.0001
   160        0.5199             nan     0.0841   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5282             nan     0.0845    0.0001
     2        0.5279             nan     0.0845    0.0001
     3        0.5276             nan     0.0845    0.0001
     4        0.5272             nan     0.0845    0.0001
     5        0.5270             nan     0.0845    0.0000
     6        0.5268             nan     0.0845    0.0000
     7        0.5265             nan     0.0845   -0.0000
     8        0.5263             nan     0.0845    0.0000
     9        0.5261             nan     0.0845   -0.0000
    10        0.5260             nan     0.0845    0.0000
    20        0.5248             nan     0.0845   -0.0000
    40        0.5233             nan     0.0845   -0.0000
    60        0.5217             nan     0.0845    0.0000
    80        0.5206             nan     0.0845   -0.0000
   100        0.5197             nan     0.0845   -0.0000
   120        0.5189             nan     0.0845   -0.0000
   140        0.5183             nan     0.0845   -0.0000
   160        0.5177             nan     0.0845   -0.0001
   180        0.5170             nan     0.0845   -0.0000
   200        0.5163             nan     0.0845   -0.0001
   220        0.5158             nan     0.0845   -0.0001
   240        0.5153             nan     0.0845   -0.0001
   260        0.5147             nan     0.0845   -0.0000
   280        0.5143             nan     0.0845   -0.0001
   300        0.5137             nan     0.0845   -0.0000
   320        0.5132             nan     0.0845   -0.0000
   340        0.5127             nan     0.0845   -0.0000
   360        0.5121             nan     0.0845   -0.0001
   380        0.5120             nan     0.0845   -0.0000
   400        0.5114             nan     0.0845   -0.0000
   420        0.5109             nan     0.0845   -0.0001
   440        0.5107             nan     0.0845   -0.0001
   460        0.5102             nan     0.0845   -0.0001
   480        0.5097             nan     0.0845   -0.0000
   500        0.5093             nan     0.0845   -0.0001
   520        0.5091             nan     0.0845   -0.0001
   540        0.5086             nan     0.0845   -0.0000
   560        0.5082             nan     0.0845   -0.0001
   580        0.5080             nan     0.0845   -0.0000
   600        0.5076             nan     0.0845   -0.0001
   620        0.5071             nan     0.0845   -0.0000
   640        0.5068             nan     0.0845   -0.0000
   660        0.5065             nan     0.0845   -0.0000
   680        0.5061             nan     0.0845   -0.0000
   700        0.5057             nan     0.0845   -0.0000
   720        0.5052             nan     0.0845   -0.0000
   740        0.5049             nan     0.0845   -0.0000
   753        0.5046             nan     0.0845   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5285             nan     0.0848    0.0001
     2        0.5283             nan     0.0848    0.0001
     3        0.5282             nan     0.0848    0.0000
     4        0.5281             nan     0.0848    0.0000
     5        0.5280             nan     0.0848    0.0000
     6        0.5280             nan     0.0848    0.0000
     7        0.5278             nan     0.0848    0.0000
     8        0.5277             nan     0.0848    0.0000
     9        0.5276             nan     0.0848    0.0000
    10        0.5276             nan     0.0848    0.0000
    20        0.5269             nan     0.0848    0.0000
    40        0.5262             nan     0.0848   -0.0000
    60        0.5256             nan     0.0848   -0.0000
    80        0.5252             nan     0.0848    0.0000
   100        0.5249             nan     0.0848   -0.0000
   120        0.5251             nan     0.0848   -0.0000
   140        0.5247             nan     0.0848   -0.0000
   160        0.5246             nan     0.0848   -0.0000
   180        0.5245             nan     0.0848   -0.0000
   200        0.5245             nan     0.0848   -0.0000
   220        0.5244             nan     0.0848   -0.0000
   240        0.5244             nan     0.0848   -0.0000
   260        0.5243             nan     0.0848   -0.0000
   280        0.5242             nan     0.0848   -0.0000
   300        0.5241             nan     0.0848   -0.0000
   320        0.5241             nan     0.0848   -0.0000
   340        0.5240             nan     0.0848   -0.0000
   360        0.5240             nan     0.0848   -0.0000
   380        0.5239             nan     0.0848   -0.0000
   400        0.5240             nan     0.0848   -0.0000
   420        0.5239             nan     0.0848   -0.0000
   440        0.5238             nan     0.0848   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5283             nan     0.0859    0.0001
     2        0.5281             nan     0.0859    0.0000
     3        0.5278             nan     0.0859    0.0001
     4        0.5275             nan     0.0859    0.0001
     5        0.5272             nan     0.0859    0.0001
     6        0.5270             nan     0.0859    0.0001
     7        0.5270             nan     0.0859   -0.0000
     8        0.5269             nan     0.0859   -0.0000
     9        0.5267             nan     0.0859   -0.0000
    10        0.5266             nan     0.0859    0.0000
    20        0.5253             nan     0.0859    0.0000
    40        0.5238             nan     0.0859   -0.0000
    60        0.5229             nan     0.0859   -0.0000
    80        0.5220             nan     0.0859    0.0000
   100        0.5213             nan     0.0859   -0.0000
   120        0.5206             nan     0.0859   -0.0000
   140        0.5199             nan     0.0859   -0.0000
   160        0.5192             nan     0.0859   -0.0001
   180        0.5187             nan     0.0859   -0.0000
   200        0.5181             nan     0.0859   -0.0000
   220        0.5177             nan     0.0859   -0.0000
   240        0.5170             nan     0.0859   -0.0000
   260        0.5161             nan     0.0859   -0.0000
   280        0.5157             nan     0.0859   -0.0000
   300        0.5151             nan     0.0859   -0.0000
   320        0.5148             nan     0.0859   -0.0000
   340        0.5142             nan     0.0859   -0.0000
   360        0.5136             nan     0.0859   -0.0000
   380        0.5130             nan     0.0859   -0.0000
   400        0.5126             nan     0.0859   -0.0001
   420        0.5120             nan     0.0859   -0.0001
   440        0.5118             nan     0.0859   -0.0000
   460        0.5112             nan     0.0859   -0.0000
   480        0.5110             nan     0.0859   -0.0001
   500        0.5105             nan     0.0859   -0.0000
   520        0.5101             nan     0.0859   -0.0000
   540        0.5099             nan     0.0859   -0.0000
   560        0.5092             nan     0.0859   -0.0001
   580        0.5086             nan     0.0859   -0.0000
   600        0.5083             nan     0.0859   -0.0000
   620        0.5077             nan     0.0859    0.0000
   640        0.5073             nan     0.0859   -0.0000
   660        0.5066             nan     0.0859   -0.0000
   680        0.5062             nan     0.0859   -0.0000
   700        0.5058             nan     0.0859   -0.0000
   720        0.5055             nan     0.0859   -0.0001
   740        0.5052             nan     0.0859   -0.0000
   760        0.5047             nan     0.0859   -0.0000
   780        0.5043             nan     0.0859   -0.0000
   800        0.5039             nan     0.0859   -0.0000
   820        0.5034             nan     0.0859   -0.0000
   840        0.5032             nan     0.0859   -0.0005
   860        0.5028             nan     0.0859   -0.0000
   880        0.5024             nan     0.0859   -0.0000
   900        0.5022             nan     0.0859   -0.0000
   920        0.5017             nan     0.0859   -0.0001
   940        0.5012             nan     0.0859    0.0000
   941        0.5012             nan     0.0859   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5283             nan     0.0877    0.0001
     2        0.5281             nan     0.0877    0.0000
     3        0.5278             nan     0.0877    0.0001
     4        0.5276             nan     0.0877    0.0000
     5        0.5274             nan     0.0877    0.0000
     6        0.5274             nan     0.0877   -0.0001
     7        0.5272             nan     0.0877    0.0001
     8        0.5271             nan     0.0877    0.0000
     9        0.5270             nan     0.0877    0.0000
    10        0.5268             nan     0.0877    0.0000
    20        0.5259             nan     0.0877    0.0000
    40        0.5247             nan     0.0877   -0.0000
    60        0.5241             nan     0.0877   -0.0000
    80        0.5234             nan     0.0877   -0.0001
   100        0.5228             nan     0.0877   -0.0000
   120        0.5224             nan     0.0877   -0.0000
   140        0.5220             nan     0.0877   -0.0000
   160        0.5220             nan     0.0877   -0.0000
   180        0.5216             nan     0.0877   -0.0000
   191        0.5218             nan     0.0877   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5281             nan     0.0918    0.0002
     2        0.5277             nan     0.0918    0.0001
     3        0.5274             nan     0.0918    0.0001
     4        0.5270             nan     0.0918    0.0001
     5        0.5268             nan     0.0918    0.0000
     6        0.5265             nan     0.0918    0.0001
     7        0.5262             nan     0.0918    0.0000
     8        0.5260             nan     0.0918    0.0000
     9        0.5257             nan     0.0918    0.0001
    10        0.5255             nan     0.0918    0.0000
    20        0.5238             nan     0.0918   -0.0000
    40        0.5223             nan     0.0918    0.0000
    60        0.5211             nan     0.0918   -0.0000
    80        0.5193             nan     0.0918   -0.0000
   100        0.5179             nan     0.0918   -0.0001
   120        0.5174             nan     0.0918   -0.0000
   140        0.5157             nan     0.0918   -0.0000
   160        0.5144             nan     0.0918   -0.0000
   180        0.5133             nan     0.0918   -0.0001
   200        0.5126             nan     0.0918   -0.0001
   220        0.5116             nan     0.0918   -0.0000
   240        0.5107             nan     0.0918   -0.0001
   260        0.5099             nan     0.0918   -0.0001
   280        0.5088             nan     0.0918   -0.0001
   300        0.5083             nan     0.0918   -0.0001
   320        0.5080             nan     0.0918   -0.0000
   340        0.5071             nan     0.0918   -0.0000
   360        0.5067             nan     0.0918   -0.0001
   380        0.5059             nan     0.0918   -0.0000
   389        0.5059             nan     0.0918   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5284             nan     0.0936    0.0001
     2        0.5282             nan     0.0936    0.0000
     3        0.5280             nan     0.0936    0.0001
     4        0.5279             nan     0.0936    0.0000
     5        0.5277             nan     0.0936    0.0001
     6        0.5275             nan     0.0936    0.0001
     7        0.5273             nan     0.0936    0.0001
     8        0.5271             nan     0.0936    0.0000
     9        0.5269             nan     0.0936    0.0000
    10        0.5269             nan     0.0936    0.0000
    20        0.5259             nan     0.0936   -0.0000
    40        0.5247             nan     0.0936   -0.0000
    60        0.5240             nan     0.0936   -0.0000
    80        0.5234             nan     0.0936   -0.0000
   100        0.5231             nan     0.0936   -0.0000
   120        0.5225             nan     0.0936   -0.0001
   140        0.5225             nan     0.0936   -0.0000
   160        0.5220             nan     0.0936    0.0000
   180        0.5215             nan     0.0936   -0.0000
   200        0.5211             nan     0.0936   -0.0001
   220        0.5206             nan     0.0936   -0.0000
   240        0.5204             nan     0.0936   -0.0000
   260        0.5201             nan     0.0936   -0.0001
   280        0.5198             nan     0.0936   -0.0000
   300        0.5197             nan     0.0936   -0.0001
   320        0.5195             nan     0.0936   -0.0000
   340        0.5191             nan     0.0936   -0.0001
   360        0.5188             nan     0.0936   -0.0000
   380        0.5187             nan     0.0936   -0.0000
   400        0.5186             nan     0.0936   -0.0000
   420        0.5183             nan     0.0936   -0.0000
   440        0.5180             nan     0.0936   -0.0000
   460        0.5178             nan     0.0936   -0.0000
   480        0.5176             nan     0.0936   -0.0000
   500        0.5173             nan     0.0936   -0.0000
   520        0.5171             nan     0.0936   -0.0000
   540        0.5170             nan     0.0936   -0.0000
   560        0.5170             nan     0.0936   -0.0000
   580        0.5167             nan     0.0936   -0.0000
   600        0.5165             nan     0.0936   -0.0001
   620        0.5162             nan     0.0936   -0.0001
   640        0.5160             nan     0.0936   -0.0001
   660        0.5157             nan     0.0936   -0.0000
   680        0.5154             nan     0.0936   -0.0000
   700        0.5152             nan     0.0936   -0.0000
   720        0.5149             nan     0.0936   -0.0000
   733        0.5149             nan     0.0936   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5283             nan     0.0945    0.0001
     2        0.5279             nan     0.0945    0.0001
     3        0.5275             nan     0.0945    0.0001
     4        0.5271             nan     0.0945    0.0001
     5        0.5269             nan     0.0945    0.0000
     6        0.5266             nan     0.0945   -0.0000
     7        0.5264             nan     0.0945    0.0000
     8        0.5261             nan     0.0945    0.0000
     9        0.5259             nan     0.0945   -0.0000
    10        0.5257             nan     0.0945   -0.0000
    20        0.5242             nan     0.0945   -0.0000
    40        0.5221             nan     0.0945   -0.0000
    60        0.5203             nan     0.0945   -0.0001
    80        0.5187             nan     0.0945   -0.0001
   100        0.5175             nan     0.0945   -0.0000
   120        0.5155             nan     0.0945   -0.0000
   140        0.5144             nan     0.0945   -0.0001
   160        0.5131             nan     0.0945   -0.0001
   180        0.5124             nan     0.0945   -0.0001
   200        0.5113             nan     0.0945   -0.0000
   220        0.5109             nan     0.0945   -0.0000
   240        0.5102             nan     0.0945   -0.0000
   256        0.5093             nan     0.0945   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5284             nan     0.0993    0.0001
     2        0.5283             nan     0.0993    0.0000
     3        0.5281             nan     0.0993    0.0001
     4        0.5280             nan     0.0993    0.0000
     5        0.5279             nan     0.0993    0.0000
     6        0.5278             nan     0.0993   -0.0000
     7        0.5277             nan     0.0993    0.0000
     8        0.5276             nan     0.0993    0.0000
     9        0.5275             nan     0.0993    0.0000
    10        0.5275             nan     0.0993    0.0000
    20        0.5267             nan     0.0993    0.0000
    40        0.5261             nan     0.0993   -0.0001
    60        0.5256             nan     0.0993   -0.0000
    80        0.5252             nan     0.0993   -0.0000
   100        0.5250             nan     0.0993   -0.0000
   120        0.5248             nan     0.0993   -0.0000
   140        0.5246             nan     0.0993   -0.0000
   160        0.5245             nan     0.0993   -0.0000
   180        0.5246             nan     0.0993   -0.0000
   200        0.5243             nan     0.0993   -0.0000
   220        0.5242             nan     0.0993   -0.0000
   240        0.5242             nan     0.0993   -0.0000
   260        0.5241             nan     0.0993   -0.0000
   280        0.5240             nan     0.0993   -0.0000
   300        0.5240             nan     0.0993   -0.0000
   320        0.5239             nan     0.0993   -0.0000
   340        0.5238             nan     0.0993   -0.0000
   360        0.5238             nan     0.0993   -0.0000
   380        0.5237             nan     0.0993   -0.0000
   400        0.5237             nan     0.0993   -0.0000
   420        0.5237             nan     0.0993   -0.0000
   440        0.5237             nan     0.0993   -0.0000
   460        0.5236             nan     0.0993   -0.0000
   480        0.5236             nan     0.0993   -0.0000
   500        0.5235             nan     0.0993   -0.0001
   520        0.5236             nan     0.0993    0.0000
   540        0.5235             nan     0.0993   -0.0000
   560        0.5234             nan     0.0993   -0.0000
   580        0.5233             nan     0.0993   -0.0000
   600        0.5233             nan     0.0993   -0.0000
   620        0.5232             nan     0.0993   -0.0000
   640        0.5232             nan     0.0993   -0.0000
   660        0.5232             nan     0.0993   -0.0000
   680        0.5232             nan     0.0993    0.0000
   700        0.5231             nan     0.0993   -0.0000
   720        0.5231             nan     0.0993   -0.0000
   740        0.5230             nan     0.0993   -0.0000
   760        0.5230             nan     0.0993   -0.0000
   780        0.5230             nan     0.0993   -0.0000
   800        0.5230             nan     0.0993   -0.0000
   820        0.5230             nan     0.0993   -0.0000
   840        0.5229             nan     0.0993   -0.0000
   860        0.5229             nan     0.0993   -0.0000
   869        0.5229             nan     0.0993   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5282             nan     0.0994    0.0002
     2        0.5280             nan     0.0994    0.0000
     3        0.5279             nan     0.0994    0.0001
     4        0.5275             nan     0.0994    0.0001
     5        0.5272             nan     0.0994    0.0001
     6        0.5271             nan     0.0994   -0.0000
     7        0.5268             nan     0.0994    0.0001
     8        0.5267             nan     0.0994   -0.0000
     9        0.5265             nan     0.0994    0.0001
    10        0.5264             nan     0.0994   -0.0000
    20        0.5252             nan     0.0994   -0.0000
    40        0.5237             nan     0.0994    0.0000
    60        0.5228             nan     0.0994   -0.0000
    80        0.5217             nan     0.0994   -0.0001
   100        0.5207             nan     0.0994   -0.0000
   120        0.5201             nan     0.0994   -0.0000
   140        0.5199             nan     0.0994   -0.0000
   160        0.5196             nan     0.0994   -0.0000
   180        0.5187             nan     0.0994   -0.0001
   200        0.5181             nan     0.0994   -0.0001
   220        0.5175             nan     0.0994   -0.0000
   240        0.5174             nan     0.0994   -0.0000
   260        0.5169             nan     0.0994   -0.0000
   280        0.5164             nan     0.0994   -0.0000
   300        0.5159             nan     0.0994   -0.0000
   320        0.5155             nan     0.0994   -0.0000
   340        0.5151             nan     0.0994   -0.0001
   360        0.5149             nan     0.0994   -0.0001
   380        0.5144             nan     0.0994   -0.0000
   400        0.5138             nan     0.0994   -0.0001
   420        0.5133             nan     0.0994   -0.0000
   440        0.5130             nan     0.0994   -0.0001
   460        0.5125             nan     0.0994   -0.0001
   480        0.5118             nan     0.0994   -0.0001
   500        0.5114             nan     0.0994   -0.0000
   520        0.5111             nan     0.0994   -0.0000
   540        0.5107             nan     0.0994   -0.0000
   560        0.5102             nan     0.0994   -0.0000
   580        0.5098             nan     0.0994   -0.0000
   600        0.5095             nan     0.0994   -0.0000
   620        0.5091             nan     0.0994   -0.0001
   640        0.5087             nan     0.0994   -0.0001
   660        0.5090             nan     0.0994   -0.0000
   680        0.5086             nan     0.0994   -0.0001
   696        0.5083             nan     0.0994   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5282             nan     0.1004    0.0001
     2        0.5278             nan     0.1004    0.0001
     3        0.5274             nan     0.1004    0.0001
     4        0.5271             nan     0.1004    0.0000
     5        0.5269             nan     0.1004   -0.0000
     6        0.5267             nan     0.1004    0.0000
     7        0.5265             nan     0.1004    0.0000
     8        0.5262             nan     0.1004    0.0000
     9        0.5260             nan     0.1004   -0.0000
    10        0.5258             nan     0.1004    0.0000
    20        0.5245             nan     0.1004   -0.0000
    40        0.5227             nan     0.1004   -0.0000
    60        0.5216             nan     0.1004   -0.0000
    80        0.5209             nan     0.1004   -0.0001
   100        0.5200             nan     0.1004   -0.0001
   120        0.5190             nan     0.1004   -0.0001
   140        0.5181             nan     0.1004   -0.0001
   160        0.5169             nan     0.1004   -0.0001
   180        0.5162             nan     0.1004   -0.0000
   200        0.5154             nan     0.1004   -0.0001
   220        0.5147             nan     0.1004   -0.0001
   240        0.5140             nan     0.1004   -0.0000
   260        0.5133             nan     0.1004   -0.0001
   280        0.5125             nan     0.1004   -0.0001
   300        0.5122             nan     0.1004   -0.0000
   320        0.5113             nan     0.1004   -0.0001
   340        0.5107             nan     0.1004   -0.0001
   360        0.5101             nan     0.1004   -0.0001
   380        0.5095             nan     0.1004   -0.0001
   400        0.5091             nan     0.1004   -0.0000
   420        0.5087             nan     0.1004   -0.0001
   440        0.5080             nan     0.1004   -0.0000
   460        0.5076             nan     0.1004   -0.0000
   480        0.5071             nan     0.1004   -0.0001
   500        0.5066             nan     0.1004   -0.0000
   520        0.5062             nan     0.1004   -0.0001
   540        0.5058             nan     0.1004   -0.0000
   560        0.5053             nan     0.1004   -0.0000
   580        0.5048             nan     0.1004   -0.0001
   600        0.5044             nan     0.1004   -0.0001
   620        0.5040             nan     0.1004   -0.0001
   640        0.5034             nan     0.1004   -0.0000
   660        0.5030             nan     0.1004   -0.0001
   680        0.5026             nan     0.1004   -0.0001
   700        0.5022             nan     0.1004   -0.0000
   720        0.5017             nan     0.1004   -0.0001
   740        0.5013             nan     0.1004   -0.0000
   760        0.5010             nan     0.1004   -0.0001
   780        0.5006             nan     0.1004   -0.0001
   787        0.5004             nan     0.1004   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5281             nan     0.1013    0.0002
     2        0.5277             nan     0.1013    0.0001
     3        0.5273             nan     0.1013    0.0001
     4        0.5271             nan     0.1013    0.0000
     5        0.5268             nan     0.1013    0.0001
     6        0.5265             nan     0.1013    0.0001
     7        0.5263             nan     0.1013   -0.0000
     8        0.5262             nan     0.1013    0.0000
     9        0.5260             nan     0.1013    0.0000
    10        0.5258             nan     0.1013    0.0000
    20        0.5245             nan     0.1013   -0.0000
    40        0.5226             nan     0.1013   -0.0000
    60        0.5216             nan     0.1013   -0.0000
    80        0.5206             nan     0.1013   -0.0000
   100        0.5194             nan     0.1013   -0.0001
   120        0.5183             nan     0.1013   -0.0001
   140        0.5173             nan     0.1013   -0.0000
   160        0.5166             nan     0.1013   -0.0001
   180        0.5158             nan     0.1013   -0.0001
   200        0.5149             nan     0.1013   -0.0001
   220        0.5141             nan     0.1013   -0.0001
   240        0.5136             nan     0.1013   -0.0001
   260        0.5129             nan     0.1013   -0.0001
   280        0.5121             nan     0.1013   -0.0001
   300        0.5115             nan     0.1013   -0.0000
   320        0.5108             nan     0.1013   -0.0001
   340        0.5104             nan     0.1013   -0.0001
   360        0.5099             nan     0.1013   -0.0001
   380        0.5098             nan     0.1013   -0.0000
   400        0.5092             nan     0.1013   -0.0000
   420        0.5087             nan     0.1013   -0.0000
   440        0.5086             nan     0.1013   -0.0005
   460        0.5079             nan     0.1013   -0.0001
   480        0.5076             nan     0.1013   -0.0001
   500        0.5069             nan     0.1013   -0.0000
   520        0.5064             nan     0.1013   -0.0001
   540        0.5061             nan     0.1013   -0.0002
   560        0.5058             nan     0.1013   -0.0000
   580        0.5054             nan     0.1013   -0.0001
   600        0.5050             nan     0.1013   -0.0001
   601        0.5050             nan     0.1013   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5280             nan     0.1019    0.0002
     2        0.5276             nan     0.1019    0.0001
     3        0.5272             nan     0.1019    0.0001
     4        0.5268             nan     0.1019    0.0001
     5        0.5267             nan     0.1019    0.0000
     6        0.5263             nan     0.1019    0.0000
     7        0.5261             nan     0.1019    0.0000
     8        0.5259             nan     0.1019    0.0001
     9        0.5256             nan     0.1019    0.0001
    10        0.5253             nan     0.1019    0.0000
    20        0.5235             nan     0.1019   -0.0001
    40        0.5213             nan     0.1019   -0.0000
    60        0.5195             nan     0.1019   -0.0001
    80        0.5181             nan     0.1019   -0.0001
   100        0.5168             nan     0.1019   -0.0001
   120        0.5159             nan     0.1019   -0.0001
   140        0.5150             nan     0.1019   -0.0000
   160        0.5139             nan     0.1019   -0.0000
   180        0.5132             nan     0.1019   -0.0001
   200        0.5122             nan     0.1019   -0.0001
   220        0.5114             nan     0.1019   -0.0001
   240        0.5107             nan     0.1019   -0.0001
   260        0.5103             nan     0.1019   -0.0001
   280        0.5094             nan     0.1019   -0.0001
   300        0.5087             nan     0.1019   -0.0001
   320        0.5084             nan     0.1019   -0.0001
   340        0.5078             nan     0.1019   -0.0001
   360        0.5070             nan     0.1019   -0.0001
   380        0.5069             nan     0.1019   -0.0001
   400        0.5060             nan     0.1019   -0.0001
   420        0.5053             nan     0.1019   -0.0001
   440        0.5049             nan     0.1019   -0.0001
   460        0.5043             nan     0.1019   -0.0001
   480        0.5035             nan     0.1019   -0.0000
   500        0.5028             nan     0.1019   -0.0001
   520        0.5022             nan     0.1019   -0.0001
   540        0.5015             nan     0.1019   -0.0000
   560        0.5015             nan     0.1019   -0.0001
   580        0.5009             nan     0.1019   -0.0001
   600        0.5002             nan     0.1019   -0.0000
   620        0.5001             nan     0.1019   -0.0001
   640        0.4991             nan     0.1019   -0.0001
   645        0.4990             nan     0.1019   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5281             nan     0.1032    0.0002
     2        0.5277             nan     0.1032    0.0001
     3        0.5273             nan     0.1032    0.0001
     4        0.5272             nan     0.1032   -0.0001
     5        0.5269             nan     0.1032    0.0001
     6        0.5267             nan     0.1032    0.0000
     7        0.5265             nan     0.1032    0.0000
     8        0.5263             nan     0.1032   -0.0000
     9        0.5261             nan     0.1032    0.0000
    10        0.5259             nan     0.1032    0.0001
    20        0.5244             nan     0.1032   -0.0000
    40        0.5226             nan     0.1032   -0.0000
    60        0.5213             nan     0.1032   -0.0000
    80        0.5208             nan     0.1032   -0.0001
   100        0.5195             nan     0.1032   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5281             nan     0.1044    0.0002
     2        0.5278             nan     0.1044    0.0000
     3        0.5275             nan     0.1044    0.0000
     4        0.5271             nan     0.1044    0.0001
     5        0.5269             nan     0.1044    0.0000
     6        0.5265             nan     0.1044    0.0001
     7        0.5263             nan     0.1044   -0.0000
     8        0.5262             nan     0.1044   -0.0000
     9        0.5259             nan     0.1044    0.0001
    10        0.5256             nan     0.1044    0.0000
    20        0.5241             nan     0.1044   -0.0001
    40        0.5220             nan     0.1044   -0.0001
    60        0.5201             nan     0.1044   -0.0001
    80        0.5189             nan     0.1044   -0.0000
   100        0.5177             nan     0.1044   -0.0001
   120        0.5161             nan     0.1044   -0.0000
   140        0.5147             nan     0.1044   -0.0000
   160        0.5136             nan     0.1044   -0.0001
   180        0.5129             nan     0.1044   -0.0000
   200        0.5113             nan     0.1044   -0.0000
   220        0.5103             nan     0.1044   -0.0001
   240        0.5095             nan     0.1044   -0.0001
   260        0.5088             nan     0.1044   -0.0001
   280        0.5078             nan     0.1044   -0.0001
   300        0.5074             nan     0.1044   -0.0000
   320        0.5060             nan     0.1044   -0.0001
   340        0.5049             nan     0.1044   -0.0001
   360        0.5046             nan     0.1044   -0.0001
   380        0.5042             nan     0.1044   -0.0000
   400        0.5032             nan     0.1044   -0.0000
   420        0.5023             nan     0.1044   -0.0001
   440        0.5018             nan     0.1044   -0.0007
   460        0.5016             nan     0.1044   -0.0001
   480        0.5010             nan     0.1044   -0.0001
   500        0.5002             nan     0.1044   -0.0001
   520        0.4997             nan     0.1044   -0.0000
   540        0.4990             nan     0.1044   -0.0001
   560        0.4981             nan     0.1044   -0.0001
   580        0.4976             nan     0.1044   -0.0004
   600        0.4968             nan     0.1044   -0.0000
   620        0.4961             nan     0.1044   -0.0000
   640        0.4954             nan     0.1044   -0.0001
   660        0.4947             nan     0.1044   -0.0001
   680        0.4941             nan     0.1044   -0.0001
   700        0.4934             nan     0.1044   -0.0001
   720        0.4928             nan     0.1044   -0.0000
   740        0.4921             nan     0.1044   -0.0000
   760        0.4918             nan     0.1044   -0.0001
   764        0.4919             nan     0.1044   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5284             nan     0.1045    0.0001
     2        0.5283             nan     0.1045    0.0000
     3        0.5281             nan     0.1045    0.0001
     4        0.5279             nan     0.1045    0.0000
     5        0.5278             nan     0.1045   -0.0000
     6        0.5277             nan     0.1045    0.0000
     7        0.5276             nan     0.1045    0.0000
     8        0.5275             nan     0.1045    0.0000
     9        0.5274             nan     0.1045    0.0000
    10        0.5274             nan     0.1045    0.0000
    20        0.5268             nan     0.1045    0.0000
    40        0.5260             nan     0.1045   -0.0000
    60        0.5255             nan     0.1045   -0.0000
    80        0.5253             nan     0.1045   -0.0000
   100        0.5250             nan     0.1045   -0.0000
   120        0.5248             nan     0.1045   -0.0000
   140        0.5247             nan     0.1045   -0.0000
   160        0.5246             nan     0.1045   -0.0000
   179        0.5245             nan     0.1045   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5281             nan     0.1147    0.0002
     2        0.5277             nan     0.1147    0.0001
     3        0.5273             nan     0.1147    0.0001
     4        0.5269             nan     0.1147    0.0001
     5        0.5266             nan     0.1147    0.0000
     6        0.5264             nan     0.1147    0.0000
     7        0.5262             nan     0.1147    0.0000
     8        0.5259             nan     0.1147    0.0000
     9        0.5258             nan     0.1147   -0.0000
    10        0.5257             nan     0.1147   -0.0000
    20        0.5244             nan     0.1147   -0.0002
    40        0.5224             nan     0.1147   -0.0000
    60        0.5207             nan     0.1147   -0.0000
    80        0.5196             nan     0.1147   -0.0001
   100        0.5184             nan     0.1147   -0.0000
   120        0.5172             nan     0.1147   -0.0001
   140        0.5160             nan     0.1147   -0.0001
   160        0.5149             nan     0.1147   -0.0000
   180        0.5142             nan     0.1147   -0.0001
   200        0.5141             nan     0.1147   -0.0000
   220        0.5132             nan     0.1147   -0.0001
   240        0.5120             nan     0.1147   -0.0002
   260        0.5113             nan     0.1147    0.0000
   280        0.5108             nan     0.1147   -0.0001
   300        0.5100             nan     0.1147   -0.0000
   320        0.5092             nan     0.1147   -0.0000
   340        0.5078             nan     0.1147    0.0000
   360        0.5074             nan     0.1147   -0.0003
   380        0.5065             nan     0.1147   -0.0000
   400        0.5061             nan     0.1147   -0.0000
   420        0.5051             nan     0.1147   -0.0003
   440        0.5044             nan     0.1147   -0.0003
   460        0.5033             nan     0.1147   -0.0001
   480        0.5025             nan     0.1147   -0.0000
   500        0.5020             nan     0.1147   -0.0000
   520        0.5013             nan     0.1147   -0.0000
   540        0.5007             nan     0.1147   -0.0000
   560        0.4999             nan     0.1147   -0.0001
   580        0.4994             nan     0.1147   -0.0001
   600        0.4989             nan     0.1147   -0.0001
   620        0.4980             nan     0.1147   -0.0001
   640        0.4983             nan     0.1147   -0.0000
   660        0.4977             nan     0.1147   -0.0001
   680        0.4969             nan     0.1147   -0.0004
   700        0.4962             nan     0.1147   -0.0000
   720        0.4957             nan     0.1147   -0.0001
   740        0.4953             nan     0.1147   -0.0000
   756        0.4948             nan     0.1147   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5281             nan     0.1164    0.0002
     2        0.5278             nan     0.1164    0.0000
     3        0.5275             nan     0.1164    0.0001
     4        0.5272             nan     0.1164    0.0001
     5        0.5269             nan     0.1164    0.0001
     6        0.5267             nan     0.1164    0.0000
     7        0.5266             nan     0.1164    0.0000
     8        0.5264             nan     0.1164    0.0001
     9        0.5263             nan     0.1164   -0.0000
    10        0.5260             nan     0.1164   -0.0000
    20        0.5245             nan     0.1164   -0.0000
    40        0.5231             nan     0.1164   -0.0001
    60        0.5221             nan     0.1164   -0.0000
    80        0.5214             nan     0.1164   -0.0001
   100        0.5207             nan     0.1164   -0.0001
   120        0.5199             nan     0.1164   -0.0000
   140        0.5193             nan     0.1164   -0.0001
   160        0.5186             nan     0.1164   -0.0000
   180        0.5178             nan     0.1164   -0.0000
   200        0.5173             nan     0.1164   -0.0001
   220        0.5166             nan     0.1164   -0.0000
   240        0.5161             nan     0.1164   -0.0001
   260        0.5157             nan     0.1164   -0.0000
   280        0.5153             nan     0.1164   -0.0001
   300        0.5151             nan     0.1164   -0.0001
   320        0.5143             nan     0.1164   -0.0000
   340        0.5140             nan     0.1164   -0.0001
   360        0.5134             nan     0.1164   -0.0001
   380        0.5130             nan     0.1164   -0.0000
   400        0.5128             nan     0.1164   -0.0001
   420        0.5123             nan     0.1164   -0.0001
   440        0.5118             nan     0.1164   -0.0000
   460        0.5115             nan     0.1164   -0.0001
   480        0.5110             nan     0.1164   -0.0001
   500        0.5105             nan     0.1164   -0.0000
   520        0.5102             nan     0.1164   -0.0000
   540        0.5099             nan     0.1164   -0.0001
   560        0.5096             nan     0.1164   -0.0001
   580        0.5099             nan     0.1164   -0.0000
   600        0.5094             nan     0.1164   -0.0000
   620        0.5090             nan     0.1164   -0.0000
   640        0.5087             nan     0.1164   -0.0000
   660        0.5089             nan     0.1164   -0.0000
   680        0.5084             nan     0.1164   -0.0001
   700        0.5079             nan     0.1164   -0.0000
   720        0.5076             nan     0.1164   -0.0001
   740        0.5071             nan     0.1164   -0.0000
   760        0.5072             nan     0.1164   -0.0001
   780        0.5067             nan     0.1164   -0.0001
   800        0.5063             nan     0.1164   -0.0000
   820        0.5061             nan     0.1164   -0.0001
   840        0.5058             nan     0.1164   -0.0001
   860        0.5055             nan     0.1164   -0.0000
   880        0.5057             nan     0.1164   -0.0000
   900        0.5052             nan     0.1164   -0.0001
   920        0.5054             nan     0.1164   -0.0000
   938        0.5052             nan     0.1164   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5282             nan     0.1195    0.0002
     2        0.5278             nan     0.1195    0.0001
     3        0.5275             nan     0.1195    0.0001
     4        0.5274             nan     0.1195   -0.0000
     5        0.5272             nan     0.1195   -0.0000
     6        0.5271             nan     0.1195    0.0000
     7        0.5269             nan     0.1195    0.0000
     8        0.5268             nan     0.1195   -0.0000
     9        0.5267             nan     0.1195   -0.0001
    10        0.5265             nan     0.1195    0.0000
    20        0.5255             nan     0.1195    0.0000
    40        0.5247             nan     0.1195   -0.0000
    60        0.5238             nan     0.1195   -0.0000
    80        0.5231             nan     0.1195   -0.0000
   100        0.5225             nan     0.1195   -0.0001
   120        0.5221             nan     0.1195   -0.0000
   140        0.5217             nan     0.1195   -0.0000
   160        0.5214             nan     0.1195   -0.0002
   180        0.5213             nan     0.1195   -0.0000
   200        0.5212             nan     0.1195   -0.0000
   220        0.5209             nan     0.1195   -0.0000
   240        0.5206             nan     0.1195   -0.0000
   260        0.5206             nan     0.1195   -0.0001
   280        0.5202             nan     0.1195   -0.0001
   300        0.5198             nan     0.1195   -0.0000
   320        0.5194             nan     0.1195   -0.0000
   340        0.5193             nan     0.1195   -0.0000
   358        0.5189             nan     0.1195   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5283             nan     0.1204    0.0001
     2        0.5279             nan     0.1204    0.0001
     3        0.5277             nan     0.1204    0.0000
     4        0.5273             nan     0.1204    0.0001
     5        0.5270             nan     0.1204    0.0001
     6        0.5266             nan     0.1204    0.0001
     7        0.5264             nan     0.1204   -0.0000
     8        0.5262             nan     0.1204    0.0000
     9        0.5261             nan     0.1204    0.0000
    10        0.5259             nan     0.1204    0.0000
    20        0.5249             nan     0.1204   -0.0000
    40        0.5231             nan     0.1204   -0.0000
    60        0.5218             nan     0.1204   -0.0000
    80        0.5206             nan     0.1204   -0.0000
   100        0.5197             nan     0.1204   -0.0001
   120        0.5190             nan     0.1204   -0.0001
   140        0.5181             nan     0.1204   -0.0001
   160        0.5182             nan     0.1204   -0.0000
   180        0.5173             nan     0.1204   -0.0001
   200        0.5170             nan     0.1204   -0.0001
   220        0.5162             nan     0.1204   -0.0000
   240        0.5158             nan     0.1204   -0.0000
   260        0.5152             nan     0.1204   -0.0000
   280        0.5146             nan     0.1204   -0.0000
   300        0.5138             nan     0.1204   -0.0000
   320        0.5132             nan     0.1204   -0.0001
   340        0.5124             nan     0.1204   -0.0001
   360        0.5122             nan     0.1204   -0.0000
   380        0.5118             nan     0.1204   -0.0001
   400        0.5111             nan     0.1204   -0.0001
   420        0.5108             nan     0.1204   -0.0001
   440        0.5116             nan     0.1204   -0.0000
   460        0.5113             nan     0.1204   -0.0006
   480        0.5106             nan     0.1204   -0.0001
   500        0.5101             nan     0.1204   -0.0000
   520        0.5099             nan     0.1204   -0.0000
   540        0.5094             nan     0.1204   -0.0001
   560        0.5090             nan     0.1204   -0.0001
   580        0.5091             nan     0.1204   -0.0002
   600        0.5090             nan     0.1204   -0.0001
   620        0.5084             nan     0.1204   -0.0000
   640        0.5079             nan     0.1204   -0.0000
   660        0.5075             nan     0.1204   -0.0004
   680        0.5070             nan     0.1204   -0.0001
   700        0.5067             nan     0.1204   -0.0001
   720        0.5069             nan     0.1204   -0.0001
   740        0.5064             nan     0.1204   -0.0000
   760        0.5058             nan     0.1204   -0.0000
   780        0.5055             nan     0.1204   -0.0001
   800        0.5053             nan     0.1204   -0.0000
   820        0.5048             nan     0.1204   -0.0000
   840        0.5044             nan     0.1204   -0.0001
   860        0.5048             nan     0.1204   -0.0000
   880        0.5043             nan     0.1204   -0.0001
   900        0.5039             nan     0.1204   -0.0001
   920        0.5036             nan     0.1204   -0.0000
   922        0.5035             nan     0.1204   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5283             nan     0.1207    0.0001
     2        0.5282             nan     0.1207    0.0001
     3        0.5280             nan     0.1207    0.0000
     4        0.5279             nan     0.1207    0.0000
     5        0.5277             nan     0.1207    0.0000
     6        0.5276             nan     0.1207    0.0000
     7        0.5275             nan     0.1207   -0.0000
     8        0.5274             nan     0.1207    0.0000
     9        0.5273             nan     0.1207   -0.0000
    10        0.5272             nan     0.1207    0.0000
    20        0.5265             nan     0.1207   -0.0000
    40        0.5257             nan     0.1207   -0.0000
    60        0.5254             nan     0.1207   -0.0000
    80        0.5251             nan     0.1207   -0.0000
   100        0.5248             nan     0.1207   -0.0000
   120        0.5247             nan     0.1207   -0.0000
   140        0.5246             nan     0.1207   -0.0000
   160        0.5244             nan     0.1207   -0.0000
   180        0.5243             nan     0.1207   -0.0001
   200        0.5242             nan     0.1207   -0.0001
   220        0.5242             nan     0.1207   -0.0000
   221        0.5242             nan     0.1207   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5281             nan     0.1239    0.0003
     2        0.5277             nan     0.1239    0.0001
     3        0.5273             nan     0.1239    0.0001
     4        0.5270             nan     0.1239    0.0001
     5        0.5267             nan     0.1239    0.0000
     6        0.5265             nan     0.1239    0.0000
     7        0.5263             nan     0.1239    0.0000
     8        0.5260             nan     0.1239   -0.0001
     9        0.5258             nan     0.1239   -0.0000
    10        0.5256             nan     0.1239   -0.0000
    20        0.5240             nan     0.1239    0.0000
    40        0.5226             nan     0.1239   -0.0000
    60        0.5208             nan     0.1239   -0.0004
    80        0.5197             nan     0.1239   -0.0000
   100        0.5183             nan     0.1239   -0.0000
   120        0.5176             nan     0.1239   -0.0001
   140        0.5165             nan     0.1239   -0.0000
   160        0.5158             nan     0.1239   -0.0001
   180        0.5147             nan     0.1239   -0.0000
   200        0.5139             nan     0.1239   -0.0001
   220        0.5127             nan     0.1239   -0.0008
   240        0.5117             nan     0.1239   -0.0001
   260        0.5105             nan     0.1239   -0.0001
   280        0.5096             nan     0.1239   -0.0001
   300        0.5087             nan     0.1239   -0.0001
   320        0.5079             nan     0.1239   -0.0001
   340        0.5074             nan     0.1239   -0.0000
   360        0.5066             nan     0.1239   -0.0000
   380        0.5065             nan     0.1239   -0.0004
   400        0.5057             nan     0.1239   -0.0001
   420        0.5055             nan     0.1239   -0.0001
   440        0.5046             nan     0.1239   -0.0000
   460        0.5036             nan     0.1239   -0.0001
   480        0.5033             nan     0.1239   -0.0001
   500        0.5031             nan     0.1239   -0.0000
   520        0.5021             nan     0.1239   -0.0000
   540        0.5015             nan     0.1239   -0.0001
   560        0.5008             nan     0.1239   -0.0001
   580        0.5002             nan     0.1239   -0.0001
   600        0.5002             nan     0.1239   -0.0000
   620        0.4998             nan     0.1239   -0.0001
   640        0.4992             nan     0.1239   -0.0002
   660        0.4984             nan     0.1239   -0.0001
   680        0.4979             nan     0.1239   -0.0001
   700        0.4975             nan     0.1239   -0.0001
   720        0.4969             nan     0.1239   -0.0000
   740        0.4966             nan     0.1239   -0.0001
   755        0.4962             nan     0.1239   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5285             nan     0.1270    0.0000
     2        0.5282             nan     0.1270    0.0001
     3        0.5281             nan     0.1270    0.0000
     4        0.5279             nan     0.1270    0.0000
     5        0.5278             nan     0.1270    0.0001
     6        0.5276             nan     0.1270    0.0000
     7        0.5275             nan     0.1270    0.0000
     8        0.5275             nan     0.1270   -0.0000
     9        0.5274             nan     0.1270    0.0000
    10        0.5273             nan     0.1270    0.0000
    20        0.5265             nan     0.1270   -0.0000
    40        0.5257             nan     0.1270    0.0000
    60        0.5252             nan     0.1270   -0.0000
    80        0.5249             nan     0.1270   -0.0000
   100        0.5247             nan     0.1270   -0.0000
   120        0.5246             nan     0.1270   -0.0000
   140        0.5245             nan     0.1270   -0.0000
   160        0.5243             nan     0.1270   -0.0000
   180        0.5243             nan     0.1270   -0.0000
   200        0.5241             nan     0.1270   -0.0000
   220        0.5241             nan     0.1270   -0.0000
   240        0.5240             nan     0.1270   -0.0000
   260        0.5240             nan     0.1270   -0.0000
   280        0.5239             nan     0.1270   -0.0000
   300        0.5239             nan     0.1270   -0.0000
   320        0.5238             nan     0.1270   -0.0000
   340        0.5237             nan     0.1270   -0.0000
   360        0.5237             nan     0.1270   -0.0000
   380        0.5237             nan     0.1270   -0.0000
   400        0.5236             nan     0.1270   -0.0000
   420        0.5235             nan     0.1270   -0.0000
   440        0.5234             nan     0.1270   -0.0000
   460        0.5233             nan     0.1270   -0.0000
   479        0.5233             nan     0.1270   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5281             nan     0.1323    0.0002
     2        0.5276             nan     0.1323    0.0001
     3        0.5270             nan     0.1323    0.0001
     4        0.5267             nan     0.1323    0.0001
     5        0.5263             nan     0.1323    0.0000
     6        0.5261             nan     0.1323    0.0001
     7        0.5258             nan     0.1323    0.0000
     8        0.5254             nan     0.1323    0.0001
     9        0.5252             nan     0.1323   -0.0000
    10        0.5250             nan     0.1323   -0.0000
    20        0.5234             nan     0.1323   -0.0001
    40        0.5211             nan     0.1323   -0.0000
    60        0.5198             nan     0.1323   -0.0001
    80        0.5182             nan     0.1323   -0.0001
   100        0.5166             nan     0.1323   -0.0000
   120        0.5163             nan     0.1323   -0.0000
   140        0.5151             nan     0.1323   -0.0001
   160        0.5141             nan     0.1323   -0.0001
   180        0.5139             nan     0.1323   -0.0000
   200        0.5128             nan     0.1323   -0.0001
   220        0.5120             nan     0.1323   -0.0001
   240        0.5110             nan     0.1323   -0.0001
   260        0.5104             nan     0.1323   -0.0001
   280        0.5095             nan     0.1323   -0.0001
   300        0.5092             nan     0.1323   -0.0001
   320        0.5083             nan     0.1323   -0.0001
   340        0.5074             nan     0.1323   -0.0001
   360        0.5066             nan     0.1323   -0.0001
   380        0.5060             nan     0.1323   -0.0001
   400        0.5051             nan     0.1323   -0.0001
   420        0.5045             nan     0.1323   -0.0001
   440        0.5038             nan     0.1323   -0.0001
   460        0.5032             nan     0.1323   -0.0001
   480        0.5026             nan     0.1323   -0.0001
   500        0.5019             nan     0.1323   -0.0001
   520        0.5014             nan     0.1323   -0.0001
   540        0.5010             nan     0.1323   -0.0001
   558        0.5004             nan     0.1323   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5279             nan     0.1340    0.0002
     2        0.5274             nan     0.1340    0.0002
     3        0.5270             nan     0.1340    0.0001
     4        0.5267             nan     0.1340    0.0001
     5        0.5263             nan     0.1340    0.0000
     6        0.5265             nan     0.1340   -0.0005
     7        0.5261             nan     0.1340    0.0001
     8        0.5259             nan     0.1340   -0.0000
     9        0.5260             nan     0.1340   -0.0005
    10        0.5257             nan     0.1340   -0.0001
    20        0.5240             nan     0.1340   -0.0001
    40        0.5216             nan     0.1340   -0.0001
    60        0.5195             nan     0.1340   -0.0000
    80        0.5182             nan     0.1340   -0.0000
   100        0.5162             nan     0.1340   -0.0000
   120        0.5147             nan     0.1340   -0.0001
   140        0.5131             nan     0.1340   -0.0001
   160        0.5116             nan     0.1340   -0.0004
   180        0.5102             nan     0.1340   -0.0001
   200        0.5091             nan     0.1340   -0.0000
   220        0.5077             nan     0.1340   -0.0001
   240        0.5063             nan     0.1340   -0.0000
   260        0.5047             nan     0.1340   -0.0002
   280        0.5035             nan     0.1340   -0.0002
   300        0.5024             nan     0.1340   -0.0003
   320        0.5017             nan     0.1340   -0.0001
   340        0.5018             nan     0.1340   -0.0004
   360        0.5011             nan     0.1340   -0.0006
   380        0.5000             nan     0.1340   -0.0001
   400        0.4991             nan     0.1340   -0.0002
   420        0.4980             nan     0.1340   -0.0001
   440        0.4966             nan     0.1340   -0.0000
   460        0.4953             nan     0.1340   -0.0001
   480        0.4941             nan     0.1340   -0.0000
   500        0.4932             nan     0.1340   -0.0001
   520        0.4923             nan     0.1340   -0.0001
   540        0.4919             nan     0.1340   -0.0000
   560        0.4913             nan     0.1340   -0.0004
   573        0.4910             nan     0.1340   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5283             nan     0.1341    0.0001
     2        0.5282             nan     0.1341    0.0001
     3        0.5280             nan     0.1341   -0.0000
     4        0.5278             nan     0.1341    0.0001
     5        0.5277             nan     0.1341    0.0000
     6        0.5276             nan     0.1341   -0.0000
     7        0.5275             nan     0.1341   -0.0000
     8        0.5274             nan     0.1341    0.0000
     9        0.5273             nan     0.1341    0.0000
    10        0.5272             nan     0.1341    0.0000
    20        0.5265             nan     0.1341   -0.0000
    40        0.5257             nan     0.1341   -0.0000
    60        0.5252             nan     0.1341   -0.0000
    80        0.5250             nan     0.1341   -0.0000
   100        0.5248             nan     0.1341   -0.0000
   120        0.5246             nan     0.1341   -0.0000
   140        0.5245             nan     0.1341   -0.0000
   160        0.5243             nan     0.1341   -0.0000
   180        0.5242             nan     0.1341   -0.0000
   200        0.5241             nan     0.1341   -0.0000
   220        0.5240             nan     0.1341   -0.0000
   240        0.5239             nan     0.1341   -0.0000
   260        0.5238             nan     0.1341   -0.0000
   280        0.5238             nan     0.1341   -0.0000
   300        0.5237             nan     0.1341   -0.0000
   320        0.5235             nan     0.1341   -0.0001
   340        0.5235             nan     0.1341   -0.0000
   360        0.5234             nan     0.1341   -0.0000
   380        0.5233             nan     0.1341   -0.0000
   388        0.5233             nan     0.1341   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5284             nan     0.1348    0.0001
     2        0.5281             nan     0.1348    0.0001
     3        0.5280             nan     0.1348    0.0001
     4        0.5278             nan     0.1348    0.0000
     5        0.5277             nan     0.1348    0.0000
     6        0.5276             nan     0.1348    0.0000
     7        0.5275             nan     0.1348    0.0000
     8        0.5273             nan     0.1348    0.0000
     9        0.5272             nan     0.1348    0.0000
    10        0.5271             nan     0.1348    0.0000
    20        0.5264             nan     0.1348   -0.0000
    40        0.5257             nan     0.1348   -0.0000
    60        0.5252             nan     0.1348   -0.0000
    80        0.5249             nan     0.1348    0.0000
   100        0.5248             nan     0.1348   -0.0000
   120        0.5247             nan     0.1348   -0.0000
   140        0.5245             nan     0.1348   -0.0001
   160        0.5245             nan     0.1348   -0.0000
   172        0.5244             nan     0.1348   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5281             nan     0.1402    0.0002
     2        0.5277             nan     0.1402    0.0001
     3        0.5274             nan     0.1402    0.0001
     4        0.5270             nan     0.1402    0.0001
     5        0.5267             nan     0.1402    0.0001
     6        0.5264             nan     0.1402    0.0000
     7        0.5263             nan     0.1402   -0.0000
     8        0.5261             nan     0.1402    0.0000
     9        0.5259             nan     0.1402    0.0001
    10        0.5258             nan     0.1402   -0.0000
    20        0.5244             nan     0.1402   -0.0000
    40        0.5229             nan     0.1402   -0.0000
    60        0.5222             nan     0.1402   -0.0001
    80        0.5214             nan     0.1402   -0.0001
   100        0.5203             nan     0.1402   -0.0000
   120        0.5199             nan     0.1402   -0.0001
   140        0.5192             nan     0.1402   -0.0005
   160        0.5184             nan     0.1402   -0.0000
   180        0.5179             nan     0.1402   -0.0000
   200        0.5169             nan     0.1402   -0.0001
   220        0.5165             nan     0.1402   -0.0001
   228        0.5161             nan     0.1402   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5283             nan     0.1450    0.0001
     2        0.5281             nan     0.1450    0.0001
     3        0.5279             nan     0.1450    0.0001
     4        0.5278             nan     0.1450    0.0000
     5        0.5276             nan     0.1450    0.0001
     6        0.5275             nan     0.1450    0.0000
     7        0.5274             nan     0.1450    0.0000
     8        0.5273             nan     0.1450   -0.0000
     9        0.5272             nan     0.1450   -0.0000
    10        0.5271             nan     0.1450   -0.0000
    20        0.5263             nan     0.1450    0.0000
    40        0.5255             nan     0.1450    0.0000
    60        0.5251             nan     0.1450   -0.0000
    80        0.5249             nan     0.1450   -0.0001
   100        0.5246             nan     0.1450   -0.0000
   120        0.5244             nan     0.1450   -0.0000
   140        0.5243             nan     0.1450   -0.0000
   160        0.5242             nan     0.1450   -0.0000
   180        0.5241             nan     0.1450   -0.0000
   200        0.5240             nan     0.1450   -0.0000
   220        0.5239             nan     0.1450   -0.0000
   240        0.5238             nan     0.1450   -0.0000
   260        0.5238             nan     0.1450   -0.0001
   280        0.5237             nan     0.1450   -0.0000
   300        0.5237             nan     0.1450   -0.0000
   320        0.5236             nan     0.1450   -0.0000
   340        0.5236             nan     0.1450   -0.0000
   360        0.5235             nan     0.1450   -0.0000
   380        0.5235             nan     0.1450   -0.0000
   400        0.5235             nan     0.1450   -0.0000
   420        0.5234             nan     0.1450   -0.0000
   440        0.5234             nan     0.1450   -0.0000
   456        0.5233             nan     0.1450   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5278             nan     0.1470    0.0002
     2        0.5275             nan     0.1470    0.0001
     3        0.5271             nan     0.1470    0.0000
     4        0.5266             nan     0.1470    0.0002
     5        0.5263             nan     0.1470    0.0001
     6        0.5261             nan     0.1470    0.0000
     7        0.5257             nan     0.1470    0.0001
     8        0.5253             nan     0.1470    0.0000
     9        0.5250             nan     0.1470    0.0001
    10        0.5247             nan     0.1470   -0.0000
    20        0.5237             nan     0.1470   -0.0001
    40        0.5211             nan     0.1470   -0.0000
    60        0.5195             nan     0.1470   -0.0002
    80        0.5176             nan     0.1470   -0.0001
   100        0.5162             nan     0.1470   -0.0000
   119        0.5144             nan     0.1470   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5280             nan     0.1473    0.0002
     2        0.5278             nan     0.1473    0.0001
     3        0.5276             nan     0.1473    0.0001
     4        0.5273             nan     0.1473    0.0000
     5        0.5272             nan     0.1473    0.0000
     6        0.5270             nan     0.1473    0.0000
     7        0.5268             nan     0.1473   -0.0001
     8        0.5267             nan     0.1473    0.0000
     9        0.5265             nan     0.1473    0.0001
    10        0.5264             nan     0.1473    0.0000
    20        0.5251             nan     0.1473   -0.0000
    40        0.5245             nan     0.1473   -0.0001
    60        0.5235             nan     0.1473   -0.0000
    80        0.5234             nan     0.1473   -0.0000
   100        0.5222             nan     0.1473   -0.0000
   120        0.5215             nan     0.1473   -0.0000
   140        0.5208             nan     0.1473   -0.0000
   160        0.5201             nan     0.1473   -0.0000
   180        0.5197             nan     0.1473   -0.0000
   200        0.5193             nan     0.1473   -0.0001
   220        0.5188             nan     0.1473   -0.0003
   240        0.5185             nan     0.1473   -0.0001
   260        0.5184             nan     0.1473   -0.0001
   272        0.5184             nan     0.1473   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5279             nan     0.1526    0.0002
     2        0.5276             nan     0.1526    0.0001
     3        0.5271             nan     0.1526    0.0002
     4        0.5268             nan     0.1526   -0.0000
     5        0.5264             nan     0.1526    0.0001
     6        0.5262             nan     0.1526    0.0000
     7        0.5259             nan     0.1526   -0.0000
     8        0.5256             nan     0.1526   -0.0000
     9        0.5254             nan     0.1526   -0.0001
    10        0.5253             nan     0.1526   -0.0001
    20        0.5234             nan     0.1526   -0.0001
    40        0.5211             nan     0.1526   -0.0001
    60        0.5202             nan     0.1526   -0.0001
    80        0.5194             nan     0.1526   -0.0000
   100        0.5188             nan     0.1526   -0.0001
   120        0.5173             nan     0.1526   -0.0001
   140        0.5159             nan     0.1526   -0.0001
   160        0.5163             nan     0.1526   -0.0001
   180        0.5150             nan     0.1526   -0.0001
   200        0.5134             nan     0.1526   -0.0001
   220        0.5123             nan     0.1526   -0.0000
   240        0.5119             nan     0.1526   -0.0001
   260        0.5107             nan     0.1526   -0.0001
   280        0.5098             nan     0.1526   -0.0001
   300        0.5089             nan     0.1526   -0.0001
   320        0.5076             nan     0.1526   -0.0001
   340        0.5068             nan     0.1526   -0.0001
   360        0.5061             nan     0.1526   -0.0001
   380        0.5056             nan     0.1526   -0.0001
   400        0.5048             nan     0.1526   -0.0003
   420        0.5034             nan     0.1526   -0.0000
   440        0.5029             nan     0.1526   -0.0000
   460        0.5021             nan     0.1526   -0.0001
   480        0.5015             nan     0.1526   -0.0001
   500        0.5006             nan     0.1526   -0.0001
   520        0.4995             nan     0.1526   -0.0000
   540        0.4985             nan     0.1526   -0.0001
   560        0.4980             nan     0.1526   -0.0001
   580        0.4982             nan     0.1526   -0.0001
   600        0.4976             nan     0.1526   -0.0000
   620        0.4966             nan     0.1526   -0.0000
   640        0.4961             nan     0.1526   -0.0001
   660        0.4955             nan     0.1526   -0.0001
   680        0.4952             nan     0.1526   -0.0001
   700        0.4951             nan     0.1526   -0.0001
   720        0.4946             nan     0.1526   -0.0001
   738        0.4938             nan     0.1526   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5284             nan     0.1541    0.0000
     2        0.5282             nan     0.1541    0.0000
     3        0.5280             nan     0.1541    0.0001
     4        0.5279             nan     0.1541    0.0000
     5        0.5277             nan     0.1541   -0.0000
     6        0.5276             nan     0.1541    0.0000
     7        0.5273             nan     0.1541    0.0001
     8        0.5272             nan     0.1541    0.0000
     9        0.5272             nan     0.1541    0.0000
    10        0.5271             nan     0.1541   -0.0000
    20        0.5263             nan     0.1541    0.0000
    40        0.5254             nan     0.1541   -0.0000
    60        0.5251             nan     0.1541   -0.0000
    80        0.5248             nan     0.1541   -0.0000
   100        0.5246             nan     0.1541   -0.0000
   120        0.5245             nan     0.1541   -0.0000
   140        0.5244             nan     0.1541   -0.0001
   160        0.5242             nan     0.1541   -0.0000
   180        0.5242             nan     0.1541   -0.0000
   200        0.5241             nan     0.1541   -0.0001
   220        0.5240             nan     0.1541   -0.0000
   240        0.5238             nan     0.1541   -0.0000
   260        0.5239             nan     0.1541   -0.0001
   280        0.5238             nan     0.1541   -0.0000
   300        0.5237             nan     0.1541   -0.0000
   320        0.5236             nan     0.1541   -0.0001
   340        0.5235             nan     0.1541   -0.0000
   360        0.5235             nan     0.1541   -0.0000
   380        0.5234             nan     0.1541   -0.0000
   400        0.5233             nan     0.1541   -0.0000
   420        0.5232             nan     0.1541   -0.0000
   440        0.5232             nan     0.1541   -0.0000
   443        0.5231             nan     0.1541   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5278             nan     0.1632    0.0002
     2        0.5273             nan     0.1632    0.0000
     3        0.5269             nan     0.1632    0.0002
     4        0.5265             nan     0.1632    0.0000
     5        0.5262             nan     0.1632    0.0000
     6        0.5258             nan     0.1632    0.0000
     7        0.5261             nan     0.1632   -0.0007
     8        0.5258             nan     0.1632   -0.0000
     9        0.5256             nan     0.1632    0.0000
    10        0.5251             nan     0.1632    0.0001
    20        0.5236             nan     0.1632   -0.0001
    40        0.5208             nan     0.1632   -0.0000
    60        0.5188             nan     0.1632   -0.0001
    80        0.5160             nan     0.1632   -0.0000
   100        0.5147             nan     0.1632   -0.0001
   120        0.5129             nan     0.1632   -0.0001
   140        0.5111             nan     0.1632   -0.0001
   160        0.5114             nan     0.1632   -0.0002
   180        0.5110             nan     0.1632   -0.0001
   200        0.5095             nan     0.1632   -0.0001
   220        0.5079             nan     0.1632   -0.0001
   240        0.5070             nan     0.1632   -0.0001
   260        0.5059             nan     0.1632   -0.0002
   280        0.5042             nan     0.1632   -0.0001
   300        0.5034             nan     0.1632   -0.0001
   320        0.5020             nan     0.1632   -0.0002
   329        0.5022             nan     0.1632   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5279             nan     0.1648    0.0002
     2        0.5272             nan     0.1648    0.0002
     3        0.5269             nan     0.1648    0.0001
     4        0.5265             nan     0.1648    0.0000
     5        0.5261             nan     0.1648   -0.0001
     6        0.5256             nan     0.1648    0.0001
     7        0.5253             nan     0.1648    0.0000
     8        0.5249             nan     0.1648   -0.0000
     9        0.5246             nan     0.1648   -0.0001
    10        0.5243             nan     0.1648    0.0000
    20        0.5221             nan     0.1648   -0.0001
    40        0.5195             nan     0.1648   -0.0001
    60        0.5177             nan     0.1648   -0.0001
    80        0.5163             nan     0.1648   -0.0003
   100        0.5150             nan     0.1648   -0.0001
   120        0.5131             nan     0.1648   -0.0001
   140        0.5118             nan     0.1648   -0.0001
   160        0.5105             nan     0.1648   -0.0001
   180        0.5099             nan     0.1648   -0.0001
   200        0.5096             nan     0.1648   -0.0001
   220        0.5086             nan     0.1648   -0.0001
   240        0.5075             nan     0.1648   -0.0000
   260        0.5062             nan     0.1648   -0.0001
   280        0.5056             nan     0.1648   -0.0000
   300        0.5045             nan     0.1648   -0.0000
   320        0.5049             nan     0.1648   -0.0002
   340        0.5041             nan     0.1648   -0.0001
   360        0.5026             nan     0.1648   -0.0001
   380        0.5017             nan     0.1648   -0.0002
   400        0.5005             nan     0.1648   -0.0001
   420        0.5000             nan     0.1648   -0.0002
   440        0.4995             nan     0.1648   -0.0001
   460        0.4992             nan     0.1648   -0.0008
   480        0.4976             nan     0.1648   -0.0001
   500        0.4969             nan     0.1648   -0.0001
   520        0.4963             nan     0.1648   -0.0001
   540        0.4954             nan     0.1648   -0.0002
   560        0.4955             nan     0.1648   -0.0001
   580        0.4953             nan     0.1648   -0.0002
   600        0.4957             nan     0.1648   -0.0001
   620        0.4949             nan     0.1648   -0.0001
   640        0.4941             nan     0.1648   -0.0001
   660        0.4931             nan     0.1648   -0.0001
   680        0.4921             nan     0.1648   -0.0001
   700        0.4915             nan     0.1648   -0.0001
   720        0.4917             nan     0.1648   -0.0001
   740        0.4910             nan     0.1648   -0.0002
   760        0.4902             nan     0.1648   -0.0001
   776        0.4896             nan     0.1648   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5279             nan     0.1655    0.0002
     2        0.5275             nan     0.1655    0.0001
     3        0.5273             nan     0.1655    0.0000
     4        0.5270             nan     0.1655   -0.0000
     5        0.5268             nan     0.1655    0.0000
     6        0.5265             nan     0.1655    0.0001
     7        0.5263             nan     0.1655    0.0001
     8        0.5261             nan     0.1655    0.0000
     9        0.5259             nan     0.1655   -0.0000
    10        0.5257             nan     0.1655   -0.0001
    20        0.5243             nan     0.1655   -0.0000
    40        0.5223             nan     0.1655    0.0000
    60        0.5214             nan     0.1655   -0.0001
    80        0.5202             nan     0.1655   -0.0001
   100        0.5203             nan     0.1655   -0.0000
   120        0.5193             nan     0.1655   -0.0001
   140        0.5190             nan     0.1655   -0.0001
   160        0.5180             nan     0.1655   -0.0001
   180        0.5170             nan     0.1655   -0.0001
   200        0.5168             nan     0.1655   -0.0001
   220        0.5160             nan     0.1655   -0.0001
   240        0.5158             nan     0.1655   -0.0001
   260        0.5155             nan     0.1655   -0.0001
   280        0.5147             nan     0.1655    0.0001
   300        0.5139             nan     0.1655   -0.0001
   320        0.5134             nan     0.1655   -0.0001
   340        0.5125             nan     0.1655   -0.0000
   360        0.5125             nan     0.1655   -0.0001
   380        0.5120             nan     0.1655   -0.0001
   400        0.5116             nan     0.1655   -0.0001
   420        0.5114             nan     0.1655   -0.0001
   440        0.5109             nan     0.1655   -0.0001
   460        0.5103             nan     0.1655   -0.0001
   480        0.5102             nan     0.1655   -0.0001
   500        0.5096             nan     0.1655   -0.0001
   520        0.5096             nan     0.1655   -0.0001
   540        0.5088             nan     0.1655    0.0000
   560        0.5081             nan     0.1655   -0.0000
   580        0.5082             nan     0.1655   -0.0000
   600        0.5082             nan     0.1655   -0.0009
   620        0.5076             nan     0.1655   -0.0000
   640        0.5073             nan     0.1655   -0.0001
   660        0.5070             nan     0.1655   -0.0003
   680        0.5063             nan     0.1655   -0.0000
   700        0.5058             nan     0.1655   -0.0000
   720        0.5051             nan     0.1655   -0.0000
   740        0.5047             nan     0.1655   -0.0000
   760        0.5041             nan     0.1655   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5280             nan     0.1700    0.0001
     2        0.5273             nan     0.1700    0.0001
     3        0.5265             nan     0.1700    0.0001
     4        0.5260             nan     0.1700    0.0001
     5        0.5258             nan     0.1700   -0.0001
     6        0.5253             nan     0.1700    0.0002
     7        0.5250             nan     0.1700   -0.0000
     8        0.5248             nan     0.1700   -0.0000
     9        0.5246             nan     0.1700   -0.0000
    10        0.5243             nan     0.1700   -0.0000
    20        0.5227             nan     0.1700   -0.0001
    40        0.5214             nan     0.1700   -0.0000
    60        0.5194             nan     0.1700   -0.0001
    80        0.5171             nan     0.1700   -0.0002
   100        0.5153             nan     0.1700   -0.0004
   120        0.5132             nan     0.1700   -0.0000
   140        0.5115             nan     0.1700   -0.0001
   160        0.5097             nan     0.1700   -0.0000
   180        0.5081             nan     0.1700   -0.0002
   200        0.5068             nan     0.1700   -0.0001
   220        0.5062             nan     0.1700   -0.0000
   240        0.5055             nan     0.1700   -0.0001
   260        0.5049             nan     0.1700   -0.0002
   280        0.5038             nan     0.1700   -0.0001
   300        0.5024             nan     0.1700   -0.0001
   320        0.5008             nan     0.1700   -0.0001
   340        0.4998             nan     0.1700   -0.0001
   360        0.4990             nan     0.1700   -0.0006
   380        0.4979             nan     0.1700   -0.0001
   400        0.4968             nan     0.1700   -0.0001
   420        0.4952             nan     0.1700   -0.0001
   440        0.4948             nan     0.1700   -0.0005
   460        0.4939             nan     0.1700   -0.0001
   480        0.4925             nan     0.1700   -0.0002
   500        0.4912             nan     0.1700   -0.0002
   520        0.4900             nan     0.1700   -0.0001
   540        0.4893             nan     0.1700   -0.0001
   560        0.4887             nan     0.1700   -0.0003
   580        0.4877             nan     0.1700   -0.0000
   600        0.4871             nan     0.1700   -0.0001
   620        0.4866             nan     0.1700   -0.0001
   640        0.4858             nan     0.1700   -0.0000
   660        0.4855             nan     0.1700   -0.0001
   680        0.4845             nan     0.1700   -0.0000
   700        0.4841             nan     0.1700   -0.0001
   720        0.4830             nan     0.1700    0.0000
   740        0.4828             nan     0.1700   -0.0006
   760        0.4830             nan     0.1700   -0.0002
   780        0.4823             nan     0.1700   -0.0008
   800        0.4820             nan     0.1700   -0.0001
   820        0.4811             nan     0.1700   -0.0001
   840        0.4802             nan     0.1700   -0.0000
   860        0.4791             nan     0.1700   -0.0001
   880        0.4783             nan     0.1700   -0.0001
   900        0.4775             nan     0.1700   -0.0001
   920        0.4771             nan     0.1700   -0.0011
   940        0.4767             nan     0.1700   -0.0001
   960        0.4760             nan     0.1700   -0.0001
   964        0.4758             nan     0.1700   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5279             nan     0.1736    0.0002
     2        0.5274             nan     0.1736    0.0001
     3        0.5270             nan     0.1736    0.0000
     4        0.5268             nan     0.1736   -0.0000
     5        0.5266             nan     0.1736   -0.0000
     6        0.5263             nan     0.1736    0.0000
     7        0.5261             nan     0.1736    0.0000
     8        0.5258             nan     0.1736    0.0000
     9        0.5257             nan     0.1736    0.0000
    10        0.5254             nan     0.1736   -0.0000
    20        0.5242             nan     0.1736   -0.0001
    40        0.5229             nan     0.1736   -0.0000
    60        0.5219             nan     0.1736   -0.0001
    80        0.5206             nan     0.1736   -0.0001
   100        0.5199             nan     0.1736   -0.0001
   120        0.5186             nan     0.1736   -0.0001
   140        0.5177             nan     0.1736   -0.0001
   160        0.5167             nan     0.1736   -0.0001
   180        0.5159             nan     0.1736   -0.0001
   200        0.5153             nan     0.1736   -0.0001
   220        0.5145             nan     0.1736   -0.0001
   235        0.5140             nan     0.1736   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5281             nan     0.1769    0.0002
     2        0.5277             nan     0.1769    0.0001
     3        0.5272             nan     0.1769    0.0002
     4        0.5270             nan     0.1769   -0.0000
     5        0.5267             nan     0.1769    0.0000
     6        0.5264             nan     0.1769   -0.0000
     7        0.5262             nan     0.1769    0.0000
     8        0.5259             nan     0.1769   -0.0001
     9        0.5258             nan     0.1769   -0.0000
    10        0.5257             nan     0.1769   -0.0001
    20        0.5244             nan     0.1769   -0.0001
    40        0.5226             nan     0.1769   -0.0001
    60        0.5212             nan     0.1769   -0.0000
    80        0.5199             nan     0.1769   -0.0000
   100        0.5191             nan     0.1769   -0.0001
   120        0.5179             nan     0.1769   -0.0001
   140        0.5168             nan     0.1769   -0.0001
   160        0.5160             nan     0.1769   -0.0001
   180        0.5160             nan     0.1769   -0.0002
   200        0.5152             nan     0.1769   -0.0001
   220        0.5144             nan     0.1769   -0.0000
   240        0.5135             nan     0.1769   -0.0000
   260        0.5137             nan     0.1769   -0.0002
   280        0.5141             nan     0.1769   -0.0010
   300        0.5130             nan     0.1769   -0.0001
   320        0.5118             nan     0.1769   -0.0001
   340        0.5115             nan     0.1769   -0.0001
   360        0.5109             nan     0.1769   -0.0000
   380        0.5101             nan     0.1769   -0.0001
   400        0.5097             nan     0.1769   -0.0000
   420        0.5086             nan     0.1769   -0.0001
   440        0.5086             nan     0.1769   -0.0001
   460        0.5093             nan     0.1769   -0.0001
   480        0.5089             nan     0.1769   -0.0001
   500        0.5086             nan     0.1769    0.0000
   520        0.5079             nan     0.1769   -0.0001
   540        0.5075             nan     0.1769   -0.0002
   560        0.5070             nan     0.1769   -0.0001
   580        0.5063             nan     0.1769   -0.0001
   600        0.5058             nan     0.1769   -0.0004
   620        0.5053             nan     0.1769   -0.0001
   640        0.5062             nan     0.1769   -0.0008
   660        0.5053             nan     0.1769   -0.0000
   680        0.5056             nan     0.1769   -0.0000
   700        0.5053             nan     0.1769   -0.0000
   720        0.5049             nan     0.1769   -0.0001
   740        0.5048             nan     0.1769   -0.0000
   760        0.5041             nan     0.1769   -0.0001
   780        0.5036             nan     0.1769   -0.0000
   800        0.5034             nan     0.1769   -0.0001
   820        0.5027             nan     0.1769   -0.0001
   840        0.5025             nan     0.1769   -0.0000
   860        0.5018             nan     0.1769   -0.0001
   880        0.5015             nan     0.1769   -0.0005
   900        0.5009             nan     0.1769   -0.0001
   920        0.5002             nan     0.1769   -0.0001
   940        0.4997             nan     0.1769   -0.0001
   945        0.4996             nan     0.1769   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5284             nan     0.1812    0.0001
     2        0.5277             nan     0.1812    0.0003
     3        0.5274             nan     0.1812    0.0001
     4        0.5276             nan     0.1812   -0.0007
     5        0.5274             nan     0.1812    0.0000
     6        0.5271             nan     0.1812   -0.0000
     7        0.5270             nan     0.1812   -0.0001
     8        0.5268             nan     0.1812    0.0001
     9        0.5267             nan     0.1812    0.0000
    10        0.5266             nan     0.1812    0.0000
    20        0.5254             nan     0.1812   -0.0000
    40        0.5246             nan     0.1812   -0.0000
    60        0.5232             nan     0.1812   -0.0000
    80        0.5224             nan     0.1812   -0.0001
   100        0.5220             nan     0.1812   -0.0001
   120        0.5215             nan     0.1812   -0.0000
   140        0.5207             nan     0.1812   -0.0000
   160        0.5201             nan     0.1812   -0.0000
   180        0.5195             nan     0.1812   -0.0000
   200        0.5190             nan     0.1812   -0.0000
   220        0.5190             nan     0.1812   -0.0000
   240        0.5186             nan     0.1812   -0.0000
   260        0.5182             nan     0.1812   -0.0001
   280        0.5184             nan     0.1812   -0.0000
   300        0.5181             nan     0.1812   -0.0001
   320        0.5177             nan     0.1812   -0.0001
   340        0.5173             nan     0.1812   -0.0000
   360        0.5169             nan     0.1812   -0.0001
   380        0.5165             nan     0.1812   -0.0000
   400        0.5161             nan     0.1812   -0.0000
   420        0.5155             nan     0.1812   -0.0000
   440        0.5151             nan     0.1812   -0.0001
   460        0.5151             nan     0.1812   -0.0001
   480        0.5149             nan     0.1812   -0.0001
   500        0.5145             nan     0.1812   -0.0001
   520        0.5140             nan     0.1812   -0.0001
   540        0.5137             nan     0.1812   -0.0001
   560        0.5139             nan     0.1812   -0.0001
   580        0.5136             nan     0.1812   -0.0000
   600        0.5134             nan     0.1812   -0.0001
   620        0.5138             nan     0.1812   -0.0001
   632        0.5134             nan     0.1812   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5281             nan     0.1823    0.0001
     2        0.5275             nan     0.1823    0.0002
     3        0.5271             nan     0.1823    0.0001
     4        0.5268             nan     0.1823    0.0000
     5        0.5264             nan     0.1823    0.0001
     6        0.5261             nan     0.1823   -0.0000
     7        0.5258             nan     0.1823   -0.0000
     8        0.5256             nan     0.1823    0.0000
     9        0.5253             nan     0.1823    0.0001
    10        0.5251             nan     0.1823   -0.0000
    20        0.5238             nan     0.1823   -0.0000
    40        0.5228             nan     0.1823   -0.0007
    60        0.5212             nan     0.1823   -0.0001
    80        0.5201             nan     0.1823   -0.0000
   100        0.5194             nan     0.1823   -0.0001
   120        0.5182             nan     0.1823   -0.0001
   140        0.5175             nan     0.1823   -0.0002
   157        0.5168             nan     0.1823   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5282             nan     0.1829    0.0001
     2        0.5278             nan     0.1829    0.0001
     3        0.5272             nan     0.1829    0.0003
     4        0.5266             nan     0.1829    0.0001
     5        0.5263             nan     0.1829    0.0001
     6        0.5260             nan     0.1829    0.0000
     7        0.5265             nan     0.1829   -0.0011
     8        0.5263             nan     0.1829   -0.0000
     9        0.5262             nan     0.1829    0.0000
    10        0.5260             nan     0.1829    0.0000
    20        0.5245             nan     0.1829   -0.0000
    40        0.5225             nan     0.1829   -0.0000
    60        0.5214             nan     0.1829   -0.0000
    80        0.5202             nan     0.1829   -0.0002
   100        0.5191             nan     0.1829   -0.0000
   120        0.5183             nan     0.1829   -0.0001
   140        0.5175             nan     0.1829   -0.0001
   160        0.5167             nan     0.1829   -0.0001
   180        0.5160             nan     0.1829   -0.0002
   192        0.5166             nan     0.1829   -0.0014

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5276             nan     0.1856    0.0002
     2        0.5272             nan     0.1856    0.0000
     3        0.5271             nan     0.1856   -0.0005
     4        0.5265             nan     0.1856    0.0001
     5        0.5263             nan     0.1856    0.0000
     6        0.5260             nan     0.1856    0.0000
     7        0.5256             nan     0.1856   -0.0000
     8        0.5253             nan     0.1856    0.0001
     9        0.5250             nan     0.1856   -0.0001
    10        0.5249             nan     0.1856   -0.0001
    20        0.5235             nan     0.1856    0.0000
    40        0.5211             nan     0.1856   -0.0001
    60        0.5200             nan     0.1856   -0.0001
    80        0.5187             nan     0.1856   -0.0005
   100        0.5177             nan     0.1856   -0.0001
   120        0.5170             nan     0.1856   -0.0001
   140        0.5160             nan     0.1856   -0.0001
   160        0.5150             nan     0.1856   -0.0001
   180        0.5136             nan     0.1856   -0.0001
   200        0.5122             nan     0.1856   -0.0000
   220        0.5117             nan     0.1856   -0.0000
   240        0.5112             nan     0.1856   -0.0002
   260        0.5104             nan     0.1856   -0.0001
   280        0.5096             nan     0.1856   -0.0001
   300        0.5093             nan     0.1856   -0.0007
   320        0.5086             nan     0.1856   -0.0000
   340        0.5079             nan     0.1856   -0.0001
   360        0.5066             nan     0.1856   -0.0000
   380        0.5054             nan     0.1856   -0.0002
   400        0.5044             nan     0.1856   -0.0001
   420        0.5036             nan     0.1856   -0.0001
   440        0.5030             nan     0.1856   -0.0002
   460        0.5029             nan     0.1856   -0.0002
   480        0.5025             nan     0.1856   -0.0001
   500        0.5016             nan     0.1856   -0.0002
   520        0.5007             nan     0.1856   -0.0001
   540        0.5012             nan     0.1856   -0.0001
   560        0.5011             nan     0.1856   -0.0001
   580        0.4999             nan     0.1856   -0.0001
   600        0.4989             nan     0.1856   -0.0001
   620        0.4983             nan     0.1856   -0.0003
   640        0.4977             nan     0.1856   -0.0004
   660        0.4968             nan     0.1856   -0.0001
   680        0.4957             nan     0.1856   -0.0001
   700        0.4963             nan     0.1856   -0.0001
   720        0.4959             nan     0.1856   -0.0001
   740        0.4948             nan     0.1856   -0.0002
   760        0.4942             nan     0.1856   -0.0003
   780        0.4936             nan     0.1856   -0.0001
   800        0.4928             nan     0.1856   -0.0002
   820        0.4931             nan     0.1856   -0.0005
   840        0.4923             nan     0.1856   -0.0001
   860        0.4918             nan     0.1856   -0.0002
   880        0.4912             nan     0.1856   -0.0001
   900        0.4906             nan     0.1856   -0.0001
   908        0.4905             nan     0.1856   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5281             nan     0.1858    0.0002
     2        0.5272             nan     0.1858    0.0003
     3        0.5268             nan     0.1858   -0.0001
     4        0.5266             nan     0.1858   -0.0001
     5        0.5261             nan     0.1858    0.0001
     6        0.5257             nan     0.1858    0.0000
     7        0.5260             nan     0.1858   -0.0006
     8        0.5256             nan     0.1858   -0.0000
     9        0.5254             nan     0.1858   -0.0001
    10        0.5252             nan     0.1858   -0.0001
    20        0.5234             nan     0.1858   -0.0001
    40        0.5208             nan     0.1858   -0.0001
    60        0.5200             nan     0.1858   -0.0001
    80        0.5176             nan     0.1858   -0.0001
   100        0.5172             nan     0.1858   -0.0000
   120        0.5159             nan     0.1858   -0.0001
   140        0.5145             nan     0.1858   -0.0001
   160        0.5133             nan     0.1858   -0.0001
   180        0.5121             nan     0.1858   -0.0002
   200        0.5105             nan     0.1858   -0.0000
   220        0.5097             nan     0.1858   -0.0001
   240        0.5088             nan     0.1858   -0.0001
   260        0.5079             nan     0.1858   -0.0002
   280        0.5073             nan     0.1858   -0.0001
   300        0.5067             nan     0.1858   -0.0001
   320        0.5056             nan     0.1858   -0.0003
   340        0.5054             nan     0.1858   -0.0001
   351        0.5048             nan     0.1858   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5281             nan     0.1868    0.0001
     2        0.5275             nan     0.1868    0.0003
     3        0.5272             nan     0.1868   -0.0000
     4        0.5269             nan     0.1868    0.0000
     5        0.5265             nan     0.1868    0.0002
     6        0.5262             nan     0.1868    0.0001
     7        0.5259             nan     0.1868   -0.0000
     8        0.5258             nan     0.1868    0.0000
     9        0.5255             nan     0.1868    0.0000
    10        0.5253             nan     0.1868    0.0000
    20        0.5239             nan     0.1868   -0.0000
    40        0.5220             nan     0.1868   -0.0000
    60        0.5205             nan     0.1868   -0.0000
    80        0.5194             nan     0.1868   -0.0001
   100        0.5182             nan     0.1868   -0.0002
   120        0.5173             nan     0.1868   -0.0002
   140        0.5181             nan     0.1868   -0.0000
   160        0.5162             nan     0.1868   -0.0001
   180        0.5161             nan     0.1868   -0.0001
   200        0.5154             nan     0.1868   -0.0001
   220        0.5145             nan     0.1868   -0.0000
   240        0.5136             nan     0.1868   -0.0001
   260        0.5128             nan     0.1868   -0.0000
   280        0.5122             nan     0.1868   -0.0001
   300        0.5111             nan     0.1868   -0.0001
   320        0.5104             nan     0.1868   -0.0001
   340        0.5107             nan     0.1868   -0.0001
   360        0.5099             nan     0.1868   -0.0001
   380        0.5092             nan     0.1868   -0.0001
   400        0.5084             nan     0.1868   -0.0001
   420        0.5079             nan     0.1868   -0.0001
   440        0.5070             nan     0.1868   -0.0001
   460        0.5073             nan     0.1868   -0.0001
   480        0.5068             nan     0.1868   -0.0001
   500        0.5064             nan     0.1868   -0.0001
   520        0.5063             nan     0.1868   -0.0001
   540        0.5061             nan     0.1868   -0.0001
   560        0.5053             nan     0.1868   -0.0001
   580        0.5049             nan     0.1868   -0.0001
   600        0.5050             nan     0.1868   -0.0001
   620        0.5046             nan     0.1868   -0.0001
   640        0.5039             nan     0.1868   -0.0002
   660        0.5036             nan     0.1868   -0.0001
   680        0.5025             nan     0.1868   -0.0001
   700        0.5025             nan     0.1868   -0.0001
   720        0.5022             nan     0.1868   -0.0002
   740        0.5022             nan     0.1868   -0.0002
   760        0.5014             nan     0.1868   -0.0001
   780        0.5007             nan     0.1868   -0.0001
   800        0.5001             nan     0.1868   -0.0000
   820        0.5000             nan     0.1868   -0.0001
   840        0.4995             nan     0.1868   -0.0001
   860        0.4992             nan     0.1868   -0.0001
   880        0.4988             nan     0.1868   -0.0001
   900        0.4984             nan     0.1868   -0.0001
   920        0.4979             nan     0.1868   -0.0000
   940        0.4981             nan     0.1868   -0.0001
   960        0.4975             nan     0.1868   -0.0001
   964        0.4974             nan     0.1868   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5278             nan     0.1868    0.0003
     2        0.5273             nan     0.1868   -0.0004
     3        0.5265             nan     0.1868    0.0003
     4        0.5261             nan     0.1868    0.0001
     5        0.5257             nan     0.1868   -0.0000
     6        0.5254             nan     0.1868   -0.0000
     7        0.5250             nan     0.1868    0.0000
     8        0.5246             nan     0.1868   -0.0000
     9        0.5244             nan     0.1868   -0.0001
    10        0.5242             nan     0.1868   -0.0001
    20        0.5222             nan     0.1868   -0.0001
    40        0.5196             nan     0.1868   -0.0002
    60        0.5172             nan     0.1868   -0.0002
    80        0.5150             nan     0.1868   -0.0000
   100        0.5136             nan     0.1868   -0.0001
   120        0.5122             nan     0.1868   -0.0003
   140        0.5109             nan     0.1868   -0.0001
   160        0.5117             nan     0.1868   -0.0001
   180        0.5102             nan     0.1868   -0.0001
   200        0.5087             nan     0.1868   -0.0001
   220        0.5084             nan     0.1868   -0.0002
   240        0.5071             nan     0.1868   -0.0002
   260        0.5057             nan     0.1868   -0.0001
   280        0.5047             nan     0.1868   -0.0002
   300        0.5055             nan     0.1868   -0.0001
   320        0.5042             nan     0.1868   -0.0001
   340        0.5026             nan     0.1868   -0.0001
   360        0.5016             nan     0.1868   -0.0002
   380        0.5013             nan     0.1868   -0.0001
   400        0.5005             nan     0.1868   -0.0001
   420        0.4994             nan     0.1868   -0.0001
   440        0.4984             nan     0.1868   -0.0002
   460        0.4977             nan     0.1868   -0.0002
   480        0.4971             nan     0.1868   -0.0001
   500        0.4964             nan     0.1868   -0.0001
   520        0.4954             nan     0.1868   -0.0001
   540        0.4949             nan     0.1868   -0.0001
   560        0.4946             nan     0.1868   -0.0000
   561        0.4944             nan     0.1868   -0.0002

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5278             nan     0.1877    0.0002
     2        0.5274             nan     0.1877    0.0002
     3        0.5269             nan     0.1877    0.0001
     4        0.5266             nan     0.1877    0.0001
     5        0.5264             nan     0.1877   -0.0000
     6        0.5261             nan     0.1877   -0.0001
     7        0.5258             nan     0.1877    0.0001
     8        0.5256             nan     0.1877    0.0000
     9        0.5254             nan     0.1877   -0.0000
    10        0.5253             nan     0.1877   -0.0001
    20        0.5241             nan     0.1877   -0.0001
    40        0.5222             nan     0.1877   -0.0001
    60        0.5208             nan     0.1877   -0.0001
    80        0.5196             nan     0.1877   -0.0000
   100        0.5186             nan     0.1877   -0.0001
   120        0.5178             nan     0.1877   -0.0001
   140        0.5171             nan     0.1877   -0.0000
   160        0.5169             nan     0.1877   -0.0001
   180        0.5159             nan     0.1877   -0.0001
   200        0.5154             nan     0.1877   -0.0001
   220        0.5149             nan     0.1877   -0.0001
   240        0.5142             nan     0.1877   -0.0001
   260        0.5132             nan     0.1877   -0.0002
   280        0.5127             nan     0.1877   -0.0002
   300        0.5121             nan     0.1877   -0.0000
   320        0.5115             nan     0.1877   -0.0001
   340        0.5112             nan     0.1877   -0.0001
   360        0.5107             nan     0.1877   -0.0001
   380        0.5108             nan     0.1877   -0.0001
   400        0.5099             nan     0.1877   -0.0002
   420        0.5096             nan     0.1877   -0.0001
   425        0.5095             nan     0.1877   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5282             nan     0.1908    0.0002
     2        0.5280             nan     0.1908    0.0000
     3        0.5279             nan     0.1908    0.0000
     4        0.5277             nan     0.1908    0.0000
     5        0.5275             nan     0.1908    0.0001
     6        0.5273             nan     0.1908    0.0000
     7        0.5272             nan     0.1908    0.0000
     8        0.5271             nan     0.1908   -0.0000
     9        0.5270             nan     0.1908    0.0000
    10        0.5269             nan     0.1908    0.0000
    20        0.5260             nan     0.1908    0.0000
    40        0.5252             nan     0.1908   -0.0000
    60        0.5248             nan     0.1908   -0.0000
    78        0.5252             nan     0.1908   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5280             nan     0.1913    0.0002
     2        0.5273             nan     0.1913    0.0002
     3        0.5268             nan     0.1913    0.0001
     4        0.5266             nan     0.1913   -0.0003
     5        0.5263             nan     0.1913    0.0001
     6        0.5260             nan     0.1913    0.0000
     7        0.5258             nan     0.1913   -0.0001
     8        0.5256             nan     0.1913    0.0000
     9        0.5254             nan     0.1913   -0.0001
    10        0.5251             nan     0.1913    0.0000
    20        0.5234             nan     0.1913   -0.0001
    40        0.5217             nan     0.1913   -0.0000
    60        0.5204             nan     0.1913   -0.0000
    80        0.5185             nan     0.1913   -0.0000
   100        0.5169             nan     0.1913   -0.0001
   120        0.5167             nan     0.1913   -0.0002
   140        0.5156             nan     0.1913   -0.0001
   160        0.5143             nan     0.1913   -0.0001
   180        0.5144             nan     0.1913   -0.0013
   200        0.5134             nan     0.1913   -0.0004
   212        0.5135             nan     0.1913   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5281             nan     0.1934    0.0001
     2        0.5277             nan     0.1934    0.0001
     3        0.5275             nan     0.1934    0.0000
     4        0.5272             nan     0.1934    0.0000
     5        0.5269             nan     0.1934    0.0001
     6        0.5266             nan     0.1934    0.0001
     7        0.5264             nan     0.1934   -0.0001
     8        0.5261             nan     0.1934   -0.0000
     9        0.5259             nan     0.1934    0.0001
    10        0.5258             nan     0.1934   -0.0001
    20        0.5248             nan     0.1934   -0.0000
    40        0.5233             nan     0.1934   -0.0001
    60        0.5232             nan     0.1934   -0.0001
    80        0.5224             nan     0.1934   -0.0001
   100        0.5217             nan     0.1934   -0.0001
   120        0.5212             nan     0.1934   -0.0000
   140        0.5207             nan     0.1934   -0.0001
   160        0.5200             nan     0.1934   -0.0000
   180        0.5196             nan     0.1934   -0.0000
   200        0.5193             nan     0.1934   -0.0001
   220        0.5190             nan     0.1934   -0.0001
   240        0.5187             nan     0.1934   -0.0001
   260        0.5183             nan     0.1934   -0.0000
   280        0.5180             nan     0.1934   -0.0000
   300        0.5176             nan     0.1934   -0.0001
   320        0.5175             nan     0.1934   -0.0000
   340        0.5170             nan     0.1934   -0.0000
   360        0.5168             nan     0.1934   -0.0001
   380        0.5173             nan     0.1934   -0.0000
   400        0.5170             nan     0.1934   -0.0001
   420        0.5166             nan     0.1934   -0.0000
   440        0.5163             nan     0.1934   -0.0001
   460        0.5161             nan     0.1934   -0.0001
   480        0.5158             nan     0.1934   -0.0001
   500        0.5155             nan     0.1934   -0.0001
   520        0.5153             nan     0.1934   -0.0001
   540        0.5151             nan     0.1934   -0.0001
   555        0.5148             nan     0.1934   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5277             nan     0.1936    0.0003
     2        0.5280             nan     0.1936   -0.0009
     3        0.5278             nan     0.1936    0.0000
     4        0.5274             nan     0.1936    0.0000
     5        0.5271             nan     0.1936   -0.0000
     6        0.5267             nan     0.1936   -0.0000
     7        0.5262             nan     0.1936    0.0001
     8        0.5260             nan     0.1936   -0.0001
     9        0.5257             nan     0.1936    0.0000
    10        0.5255             nan     0.1936   -0.0000
    20        0.5236             nan     0.1936   -0.0000
    40        0.5212             nan     0.1936   -0.0001
    60        0.5193             nan     0.1936   -0.0000
    80        0.5188             nan     0.1936   -0.0001
   100        0.5184             nan     0.1936   -0.0002
   120        0.5168             nan     0.1936   -0.0000
   140        0.5151             nan     0.1936   -0.0001
   160        0.5135             nan     0.1936   -0.0001
   180        0.5117             nan     0.1936   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5278             nan     0.1961    0.0003
     2        0.5274             nan     0.1961    0.0001
     3        0.5268             nan     0.1961    0.0001
     4        0.5265             nan     0.1961   -0.0001
     5        0.5261             nan     0.1961   -0.0000
     6        0.5259             nan     0.1961   -0.0001
     7        0.5256             nan     0.1961   -0.0000
     8        0.5254             nan     0.1961   -0.0000
     9        0.5251             nan     0.1961    0.0000
    10        0.5249             nan     0.1961   -0.0001
    20        0.5237             nan     0.1961   -0.0010
    40        0.5214             nan     0.1961   -0.0001
    60        0.5198             nan     0.1961   -0.0002
    80        0.5194             nan     0.1961   -0.0002
   100        0.5173             nan     0.1961   -0.0000
   120        0.5165             nan     0.1961   -0.0001
   140        0.5150             nan     0.1961   -0.0001
   160        0.5135             nan     0.1961   -0.0001
   180        0.5116             nan     0.1961   -0.0001
   200        0.5104             nan     0.1961   -0.0000
   220        0.5093             nan     0.1961   -0.0002
   240        0.5084             nan     0.1961   -0.0001
   260        0.5072             nan     0.1961   -0.0001
   280        0.5062             nan     0.1961   -0.0000
   300        0.5059             nan     0.1961    0.0000
   320        0.5076             nan     0.1961   -0.0001
   340        0.5058             nan     0.1961   -0.0001
   360        0.5049             nan     0.1961   -0.0001
   380        0.5039             nan     0.1961   -0.0001
   400        0.5038             nan     0.1961   -0.0002
   420        0.5028             nan     0.1961   -0.0001
   440        0.5022             nan     0.1961   -0.0003
   460        0.5018             nan     0.1961   -0.0001
   480        0.5008             nan     0.1961   -0.0002
   500        0.4998             nan     0.1961   -0.0001
   520        0.4992             nan     0.1961   -0.0002
   540        0.4988             nan     0.1961   -0.0001
   560        0.4982             nan     0.1961   -0.0002
   580        0.4975             nan     0.1961   -0.0001
   600        0.4969             nan     0.1961   -0.0002
   620        0.4962             nan     0.1961   -0.0001
   640        0.4961             nan     0.1961   -0.0001
   660        0.4955             nan     0.1961   -0.0001
   680        0.4957             nan     0.1961   -0.0002
   700        0.4950             nan     0.1961   -0.0001
   720        0.4943             nan     0.1961   -0.0001
   740        0.4940             nan     0.1961   -0.0001
   760        0.4935             nan     0.1961   -0.0001
   780        0.4932             nan     0.1961   -0.0001
   800        0.4926             nan     0.1961   -0.0002
   820        0.4934             nan     0.1961   -0.0001
   840        0.4926             nan     0.1961   -0.0001
   845        0.4923             nan     0.1961   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5280             nan     0.1962    0.0002
     2        0.5273             nan     0.1962    0.0003
     3        0.5268             nan     0.1962    0.0001
     4        0.5266             nan     0.1962   -0.0000
     5        0.5262             nan     0.1962   -0.0000
     6        0.5259             nan     0.1962    0.0000
     7        0.5257             nan     0.1962   -0.0000
     8        0.5255             nan     0.1962   -0.0000
     9        0.5254             nan     0.1962   -0.0000
    10        0.5252             nan     0.1962   -0.0000
    20        0.5236             nan     0.1962   -0.0001
    40        0.5221             nan     0.1962   -0.0001
    60        0.5207             nan     0.1962   -0.0001
    80        0.5196             nan     0.1962   -0.0001
   100        0.5184             nan     0.1962   -0.0000
   120        0.5176             nan     0.1962   -0.0001
   140        0.5169             nan     0.1962   -0.0001
   160        0.5162             nan     0.1962   -0.0000
   180        0.5154             nan     0.1962   -0.0001
   200        0.5145             nan     0.1962   -0.0001
   220        0.5140             nan     0.1962   -0.0001
   237        0.5137             nan     0.1962   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5281             nan     0.1983    0.0001
     2        0.5276             nan     0.1983    0.0002
     3        0.5270             nan     0.1983    0.0002
     4        0.5266             nan     0.1983   -0.0001
     5        0.5263             nan     0.1983   -0.0000
     6        0.5261             nan     0.1983   -0.0000
     7        0.5259             nan     0.1983   -0.0000
     8        0.5256             nan     0.1983    0.0000
     9        0.5254             nan     0.1983    0.0000
    10        0.5251             nan     0.1983    0.0000
    20        0.5238             nan     0.1983   -0.0001
    40        0.5232             nan     0.1983   -0.0000
    60        0.5219             nan     0.1983   -0.0002
    80        0.5206             nan     0.1983   -0.0001
   100        0.5196             nan     0.1983   -0.0000
   120        0.5186             nan     0.1983   -0.0001
   140        0.5178             nan     0.1983   -0.0001
   160        0.5169             nan     0.1983   -0.0001
   180        0.5162             nan     0.1983   -0.0001
   200        0.5156             nan     0.1983   -0.0001
   220        0.5148             nan     0.1983   -0.0000
   240        0.5140             nan     0.1983   -0.0001
   260        0.5136             nan     0.1983   -0.0001
   280        0.5129             nan     0.1983   -0.0001
   300        0.5123             nan     0.1983   -0.0000
   320        0.5118             nan     0.1983   -0.0001
   340        0.5110             nan     0.1983   -0.0001
   360        0.5105             nan     0.1983   -0.0001
   380        0.5101             nan     0.1983   -0.0001
   400        0.5106             nan     0.1983   -0.0002
   420        0.5099             nan     0.1983   -0.0001
   440        0.5098             nan     0.1983   -0.0002
   460        0.5089             nan     0.1983   -0.0001
   480        0.5084             nan     0.1983   -0.0000
   500        0.5080             nan     0.1983   -0.0001
   520        0.5076             nan     0.1983   -0.0001
   540        0.5075             nan     0.1983   -0.0001
   560        0.5070             nan     0.1983   -0.0001
   580        0.5066             nan     0.1983   -0.0001
   600        0.5060             nan     0.1983   -0.0001
   620        0.5056             nan     0.1983   -0.0002
   640        0.5051             nan     0.1983   -0.0001
   660        0.5046             nan     0.1983   -0.0001
   680        0.5042             nan     0.1983   -0.0001
   700        0.5035             nan     0.1983   -0.0001
   720        0.5031             nan     0.1983   -0.0001
   740        0.5028             nan     0.1983   -0.0001
   760        0.5026             nan     0.1983   -0.0001
   780        0.5025             nan     0.1983   -0.0001
   800        0.5020             nan     0.1983   -0.0001
   820        0.5015             nan     0.1983   -0.0001
   837        0.5014             nan     0.1983   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5312             nan     0.0105    0.0000
     2        0.5311             nan     0.0105    0.0000
     3        0.5311             nan     0.0105    0.0000
     4        0.5311             nan     0.0105    0.0000
     5        0.5310             nan     0.0105    0.0000
     6        0.5310             nan     0.0105    0.0000
     7        0.5309             nan     0.0105    0.0000
     8        0.5309             nan     0.0105    0.0000
     9        0.5309             nan     0.0105    0.0000
    10        0.5308             nan     0.0105    0.0000
    20        0.5304             nan     0.0105    0.0000
    40        0.5297             nan     0.0105    0.0000
    60        0.5292             nan     0.0105    0.0000
    80        0.5287             nan     0.0105    0.0000
   100        0.5283             nan     0.0105   -0.0000
   120        0.5279             nan     0.0105   -0.0000
   140        0.5276             nan     0.0105   -0.0000
   160        0.5274             nan     0.0105    0.0000
   180        0.5271             nan     0.0105   -0.0000
   200        0.5268             nan     0.0105   -0.0000
   220        0.5265             nan     0.0105   -0.0000
   240        0.5263             nan     0.0105   -0.0000
   260        0.5261             nan     0.0105    0.0000
   280        0.5258             nan     0.0105   -0.0000
   300        0.5256             nan     0.0105    0.0000
   320        0.5254             nan     0.0105    0.0000
   340        0.5252             nan     0.0105   -0.0000
   360        0.5251             nan     0.0105   -0.0000
   380        0.5249             nan     0.0105   -0.0000
   400        0.5247             nan     0.0105    0.0000
   420        0.5245             nan     0.0105   -0.0000
   440        0.5243             nan     0.0105   -0.0000
   460        0.5242             nan     0.0105   -0.0000
   480        0.5240             nan     0.0105   -0.0000
   500        0.5238             nan     0.0105   -0.0000
   520        0.5236             nan     0.0105   -0.0000
   540        0.5234             nan     0.0105   -0.0000
   560        0.5233             nan     0.0105   -0.0000
   580        0.5231             nan     0.0105   -0.0000
   600        0.5230             nan     0.0105   -0.0000
   620        0.5228             nan     0.0105   -0.0000
   623        0.5228             nan     0.0105   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5312             nan     0.0177    0.0000
     2        0.5312             nan     0.0177    0.0000
     3        0.5311             nan     0.0177    0.0000
     4        0.5310             nan     0.0177    0.0000
     5        0.5310             nan     0.0177    0.0000
     6        0.5309             nan     0.0177    0.0000
     7        0.5308             nan     0.0177    0.0000
     8        0.5308             nan     0.0177    0.0000
     9        0.5307             nan     0.0177    0.0000
    10        0.5307             nan     0.0177    0.0000
    20        0.5303             nan     0.0177    0.0000
    40        0.5296             nan     0.0177   -0.0000
    60        0.5292             nan     0.0177    0.0000
    80        0.5289             nan     0.0177   -0.0000
   100        0.5286             nan     0.0177   -0.0000
   120        0.5283             nan     0.0177   -0.0000
   140        0.5281             nan     0.0177    0.0000
   160        0.5279             nan     0.0177   -0.0000
   180        0.5277             nan     0.0177   -0.0000
   200        0.5276             nan     0.0177   -0.0000
   220        0.5274             nan     0.0177   -0.0000
   240        0.5272             nan     0.0177    0.0000
   260        0.5270             nan     0.0177   -0.0000
   280        0.5269             nan     0.0177   -0.0000
   300        0.5268             nan     0.0177   -0.0000
   320        0.5267             nan     0.0177   -0.0000
   340        0.5266             nan     0.0177   -0.0000
   360        0.5265             nan     0.0177   -0.0000
   380        0.5264             nan     0.0177   -0.0000
   400        0.5262             nan     0.0177   -0.0000
   420        0.5261             nan     0.0177   -0.0000
   440        0.5260             nan     0.0177   -0.0000
   460        0.5259             nan     0.0177   -0.0000
   480        0.5257             nan     0.0177   -0.0000
   500        0.5257             nan     0.0177   -0.0000
   520        0.5256             nan     0.0177   -0.0000
   540        0.5255             nan     0.0177   -0.0000
   560        0.5254             nan     0.0177   -0.0000
   580        0.5253             nan     0.0177   -0.0001
   600        0.5252             nan     0.0177   -0.0000
   620        0.5251             nan     0.0177   -0.0000
   640        0.5250             nan     0.0177   -0.0000
   660        0.5249             nan     0.0177   -0.0000
   680        0.5248             nan     0.0177   -0.0000
   700        0.5247             nan     0.0177   -0.0000
   720        0.5246             nan     0.0177   -0.0000
   740        0.5245             nan     0.0177   -0.0000
   747        0.5245             nan     0.0177   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5312             nan     0.0178    0.0000
     2        0.5310             nan     0.0178    0.0001
     3        0.5310             nan     0.0178    0.0000
     4        0.5309             nan     0.0178    0.0000
     5        0.5308             nan     0.0178    0.0000
     6        0.5307             nan     0.0178    0.0000
     7        0.5306             nan     0.0178    0.0000
     8        0.5304             nan     0.0178    0.0000
     9        0.5304             nan     0.0178    0.0000
    10        0.5303             nan     0.0178    0.0000
    20        0.5297             nan     0.0178    0.0000
    40        0.5288             nan     0.0178    0.0000
    60        0.5281             nan     0.0178    0.0000
    80        0.5275             nan     0.0178   -0.0000
   100        0.5269             nan     0.0178    0.0000
   120        0.5264             nan     0.0178   -0.0000
   140        0.5260             nan     0.0178   -0.0000
   160        0.5256             nan     0.0178   -0.0000
   180        0.5253             nan     0.0178   -0.0000
   200        0.5249             nan     0.0178   -0.0000
   220        0.5245             nan     0.0178   -0.0000
   240        0.5240             nan     0.0178   -0.0000
   260        0.5236             nan     0.0178   -0.0000
   280        0.5233             nan     0.0178   -0.0000
   300        0.5229             nan     0.0178   -0.0000
   320        0.5226             nan     0.0178   -0.0001
   340        0.5222             nan     0.0178   -0.0000
   360        0.5218             nan     0.0178   -0.0000
   380        0.5216             nan     0.0178   -0.0000
   400        0.5213             nan     0.0178   -0.0000
   420        0.5210             nan     0.0178   -0.0000
   440        0.5208             nan     0.0178   -0.0000
   460        0.5205             nan     0.0178   -0.0000
   480        0.5202             nan     0.0178   -0.0000
   500        0.5199             nan     0.0178   -0.0000
   520        0.5196             nan     0.0178   -0.0000
   540        0.5194             nan     0.0178   -0.0000
   560        0.5192             nan     0.0178   -0.0000
   580        0.5189             nan     0.0178   -0.0000
   600        0.5187             nan     0.0178   -0.0000
   620        0.5184             nan     0.0178   -0.0000
   640        0.5181             nan     0.0178   -0.0000
   660        0.5179             nan     0.0178   -0.0000
   680        0.5176             nan     0.0178   -0.0000
   700        0.5174             nan     0.0178   -0.0002
   720        0.5172             nan     0.0178   -0.0000
   740        0.5170             nan     0.0178   -0.0000
   760        0.5168             nan     0.0178   -0.0000
   780        0.5166             nan     0.0178   -0.0000
   800        0.5163             nan     0.0178   -0.0000
   820        0.5161             nan     0.0178   -0.0000
   826        0.5161             nan     0.0178   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5312             nan     0.0205    0.0000
     2        0.5311             nan     0.0205    0.0000
     3        0.5310             nan     0.0205    0.0000
     4        0.5309             nan     0.0205    0.0000
     5        0.5308             nan     0.0205    0.0000
     6        0.5308             nan     0.0205    0.0000
     7        0.5307             nan     0.0205    0.0000
     8        0.5307             nan     0.0205    0.0000
     9        0.5306             nan     0.0205    0.0000
    10        0.5305             nan     0.0205    0.0000
    20        0.5299             nan     0.0205    0.0000
    40        0.5292             nan     0.0205    0.0000
    60        0.5285             nan     0.0205   -0.0000
    80        0.5280             nan     0.0205   -0.0000
   100        0.5276             nan     0.0205   -0.0000
   120        0.5271             nan     0.0205   -0.0000
   140        0.5268             nan     0.0205   -0.0000
   160        0.5265             nan     0.0205   -0.0000
   180        0.5263             nan     0.0205   -0.0000
   200        0.5261             nan     0.0205   -0.0000
   220        0.5259             nan     0.0205   -0.0000
   240        0.5256             nan     0.0205   -0.0000
   260        0.5252             nan     0.0205   -0.0000
   280        0.5250             nan     0.0205   -0.0000
   300        0.5248             nan     0.0205   -0.0000
   320        0.5246             nan     0.0205   -0.0000
   340        0.5244             nan     0.0205   -0.0000
   360        0.5242             nan     0.0205   -0.0000
   380        0.5240             nan     0.0205   -0.0000
   400        0.5239             nan     0.0205   -0.0000
   420        0.5237             nan     0.0205   -0.0000
   440        0.5235             nan     0.0205   -0.0000
   460        0.5234             nan     0.0205   -0.0000
   480        0.5232             nan     0.0205   -0.0000
   500        0.5230             nan     0.0205   -0.0000
   520        0.5228             nan     0.0205   -0.0000
   540        0.5227             nan     0.0205   -0.0000
   560        0.5225             nan     0.0205   -0.0000
   580        0.5224             nan     0.0205   -0.0000
   600        0.5222             nan     0.0205    0.0000
   620        0.5220             nan     0.0205   -0.0000
   640        0.5219             nan     0.0205   -0.0001
   660        0.5218             nan     0.0205   -0.0000
   680        0.5216             nan     0.0205   -0.0000
   700        0.5214             nan     0.0205   -0.0000
   720        0.5213             nan     0.0205   -0.0000
   740        0.5212             nan     0.0205   -0.0000
   760        0.5210             nan     0.0205   -0.0000
   780        0.5208             nan     0.0205   -0.0000
   800        0.5206             nan     0.0205   -0.0000
   805        0.5206             nan     0.0205   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5312             nan     0.0215    0.0000
     2        0.5311             nan     0.0215    0.0000
     3        0.5311             nan     0.0215    0.0000
     4        0.5310             nan     0.0215    0.0000
     5        0.5310             nan     0.0215    0.0000
     6        0.5310             nan     0.0215    0.0000
     7        0.5309             nan     0.0215    0.0000
     8        0.5309             nan     0.0215    0.0000
     9        0.5308             nan     0.0215    0.0000
    10        0.5308             nan     0.0215    0.0000
    20        0.5305             nan     0.0215    0.0000
    40        0.5300             nan     0.0215    0.0000
    60        0.5296             nan     0.0215    0.0000
    80        0.5293             nan     0.0215    0.0000
   100        0.5291             nan     0.0215   -0.0000
   120        0.5289             nan     0.0215    0.0000
   140        0.5288             nan     0.0215   -0.0000
   160        0.5286             nan     0.0215   -0.0000
   180        0.5285             nan     0.0215   -0.0000
   200        0.5284             nan     0.0215   -0.0000
   220        0.5283             nan     0.0215   -0.0000
   240        0.5282             nan     0.0215   -0.0000
   256        0.5282             nan     0.0215   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5312             nan     0.0240    0.0000
     2        0.5311             nan     0.0240    0.0000
     3        0.5310             nan     0.0240    0.0000
     4        0.5310             nan     0.0240    0.0000
     5        0.5309             nan     0.0240    0.0000
     6        0.5308             nan     0.0240    0.0000
     7        0.5307             nan     0.0240    0.0000
     8        0.5307             nan     0.0240    0.0000
     9        0.5306             nan     0.0240    0.0000
    10        0.5305             nan     0.0240    0.0000
    20        0.5300             nan     0.0240    0.0000
    40        0.5293             nan     0.0240    0.0000
    60        0.5288             nan     0.0240    0.0000
    80        0.5284             nan     0.0240   -0.0000
   100        0.5280             nan     0.0240    0.0000
   120        0.5278             nan     0.0240   -0.0000
   140        0.5276             nan     0.0240   -0.0000
   160        0.5274             nan     0.0240   -0.0000
   180        0.5272             nan     0.0240   -0.0000
   200        0.5270             nan     0.0240   -0.0000
   220        0.5268             nan     0.0240   -0.0000
   240        0.5266             nan     0.0240   -0.0000
   260        0.5264             nan     0.0240   -0.0000
   280        0.5263             nan     0.0240   -0.0000
   300        0.5261             nan     0.0240   -0.0000
   320        0.5260             nan     0.0240   -0.0000
   340        0.5258             nan     0.0240   -0.0000
   360        0.5255             nan     0.0240   -0.0000
   380        0.5253             nan     0.0240   -0.0000
   400        0.5252             nan     0.0240   -0.0000
   420        0.5251             nan     0.0240   -0.0000
   440        0.5250             nan     0.0240   -0.0000
   460        0.5248             nan     0.0240   -0.0000
   480        0.5247             nan     0.0240   -0.0000
   500        0.5246             nan     0.0240   -0.0000
   520        0.5245             nan     0.0240   -0.0000
   540        0.5244             nan     0.0240   -0.0000
   560        0.5240             nan     0.0240   -0.0000
   580        0.5239             nan     0.0240   -0.0000
   600        0.5238             nan     0.0240   -0.0000
   620        0.5237             nan     0.0240   -0.0000
   640        0.5236             nan     0.0240   -0.0000
   660        0.5234             nan     0.0240   -0.0000
   680        0.5233             nan     0.0240   -0.0000
   700        0.5232             nan     0.0240   -0.0000
   720        0.5231             nan     0.0240   -0.0000
   740        0.5231             nan     0.0240   -0.0000
   760        0.5230             nan     0.0240   -0.0000
   780        0.5229             nan     0.0240   -0.0000
   790        0.5229             nan     0.0240   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5311             nan     0.0244    0.0000
     2        0.5311             nan     0.0244    0.0000
     3        0.5310             nan     0.0244    0.0000
     4        0.5309             nan     0.0244    0.0000
     5        0.5308             nan     0.0244    0.0000
     6        0.5307             nan     0.0244    0.0000
     7        0.5306             nan     0.0244    0.0000
     8        0.5306             nan     0.0244    0.0000
     9        0.5305             nan     0.0244    0.0000
    10        0.5304             nan     0.0244    0.0000
    20        0.5298             nan     0.0244    0.0000
    40        0.5290             nan     0.0244    0.0000
    60        0.5284             nan     0.0244   -0.0000
    80        0.5278             nan     0.0244   -0.0000
   100        0.5274             nan     0.0244    0.0000
   120        0.5270             nan     0.0244   -0.0000
   140        0.5267             nan     0.0244   -0.0000
   160        0.5264             nan     0.0244   -0.0000
   180        0.5260             nan     0.0244    0.0000
   200        0.5257             nan     0.0244   -0.0000
   220        0.5254             nan     0.0244   -0.0000
   240        0.5251             nan     0.0244    0.0000
   260        0.5248             nan     0.0244   -0.0000
   280        0.5245             nan     0.0244   -0.0000
   300        0.5242             nan     0.0244   -0.0000
   320        0.5239             nan     0.0244   -0.0000
   340        0.5237             nan     0.0244   -0.0000
   360        0.5235             nan     0.0244   -0.0000
   380        0.5233             nan     0.0244   -0.0000
   400        0.5230             nan     0.0244   -0.0000
   420        0.5228             nan     0.0244   -0.0000
   440        0.5226             nan     0.0244   -0.0000
   460        0.5223             nan     0.0244   -0.0000
   480        0.5221             nan     0.0244   -0.0000
   500        0.5219             nan     0.0244   -0.0000
   520        0.5217             nan     0.0244   -0.0000
   540        0.5215             nan     0.0244    0.0000
   560        0.5212             nan     0.0244   -0.0000
   580        0.5210             nan     0.0244   -0.0000
   600        0.5208             nan     0.0244   -0.0000
   620        0.5206             nan     0.0244   -0.0000
   640        0.5204             nan     0.0244   -0.0000
   660        0.5202             nan     0.0244   -0.0000
   680        0.5200             nan     0.0244   -0.0000
   700        0.5199             nan     0.0244   -0.0000
   720        0.5197             nan     0.0244   -0.0000
   740        0.5195             nan     0.0244   -0.0000
   745        0.5195             nan     0.0244   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5311             nan     0.0264    0.0000
     2        0.5311             nan     0.0264    0.0000
     3        0.5310             nan     0.0264    0.0000
     4        0.5309             nan     0.0264    0.0000
     5        0.5308             nan     0.0264    0.0000
     6        0.5307             nan     0.0264    0.0000
     7        0.5307             nan     0.0264    0.0000
     8        0.5306             nan     0.0264    0.0000
     9        0.5306             nan     0.0264    0.0000
    10        0.5305             nan     0.0264    0.0000
    20        0.5300             nan     0.0264    0.0000
    40        0.5293             nan     0.0264   -0.0000
    60        0.5288             nan     0.0264    0.0000
    80        0.5283             nan     0.0264   -0.0000
   100        0.5280             nan     0.0264   -0.0000
   120        0.5277             nan     0.0264   -0.0000
   140        0.5274             nan     0.0264   -0.0000
   160        0.5272             nan     0.0264   -0.0000
   180        0.5270             nan     0.0264   -0.0000
   200        0.5268             nan     0.0264   -0.0000
   220        0.5267             nan     0.0264   -0.0000
   240        0.5265             nan     0.0264   -0.0000
   260        0.5263             nan     0.0264   -0.0000
   280        0.5262             nan     0.0264   -0.0000
   300        0.5260             nan     0.0264   -0.0000
   320        0.5259             nan     0.0264   -0.0000
   323        0.5258             nan     0.0264   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5312             nan     0.0273    0.0000
     2        0.5311             nan     0.0273    0.0000
     3        0.5311             nan     0.0273    0.0000
     4        0.5310             nan     0.0273    0.0000
     5        0.5309             nan     0.0273    0.0000
     6        0.5308             nan     0.0273    0.0000
     7        0.5307             nan     0.0273    0.0000
     8        0.5306             nan     0.0273    0.0000
     9        0.5306             nan     0.0273    0.0000
    10        0.5305             nan     0.0273    0.0000
    20        0.5299             nan     0.0273    0.0000
    40        0.5293             nan     0.0273    0.0000
    60        0.5287             nan     0.0273   -0.0000
    80        0.5283             nan     0.0273   -0.0000
   100        0.5280             nan     0.0273   -0.0000
   120        0.5274             nan     0.0273   -0.0000
   126        0.5274             nan     0.0273   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5312             nan     0.0277    0.0000
     2        0.5311             nan     0.0277    0.0000
     3        0.5311             nan     0.0277    0.0000
     4        0.5310             nan     0.0277    0.0000
     5        0.5310             nan     0.0277    0.0000
     6        0.5309             nan     0.0277    0.0000
     7        0.5309             nan     0.0277    0.0000
     8        0.5308             nan     0.0277    0.0000
     9        0.5308             nan     0.0277    0.0000
    10        0.5307             nan     0.0277    0.0000
    20        0.5303             nan     0.0277    0.0000
    40        0.5298             nan     0.0277    0.0000
    60        0.5294             nan     0.0277   -0.0000
    80        0.5291             nan     0.0277   -0.0000
   100        0.5288             nan     0.0277   -0.0000
   120        0.5286             nan     0.0277   -0.0000
   140        0.5285             nan     0.0277   -0.0000
   160        0.5284             nan     0.0277   -0.0000
   180        0.5282             nan     0.0277   -0.0000
   200        0.5281             nan     0.0277   -0.0000
   220        0.5280             nan     0.0277   -0.0000
   240        0.5279             nan     0.0277   -0.0000
   260        0.5278             nan     0.0277   -0.0000
   280        0.5278             nan     0.0277   -0.0000
   300        0.5277             nan     0.0277   -0.0000
   320        0.5277             nan     0.0277   -0.0000
   340        0.5276             nan     0.0277   -0.0000
   360        0.5276             nan     0.0277   -0.0000
   380        0.5275             nan     0.0277   -0.0000
   400        0.5275             nan     0.0277   -0.0000
   420        0.5275             nan     0.0277   -0.0000
   440        0.5274             nan     0.0277   -0.0000
   460        0.5274             nan     0.0277   -0.0000
   480        0.5274             nan     0.0277   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5312             nan     0.0286    0.0000
     2        0.5311             nan     0.0286    0.0000
     3        0.5311             nan     0.0286    0.0000
     4        0.5310             nan     0.0286    0.0000
     5        0.5310             nan     0.0286    0.0000
     6        0.5309             nan     0.0286    0.0000
     7        0.5309             nan     0.0286    0.0000
     8        0.5308             nan     0.0286    0.0000
     9        0.5307             nan     0.0286    0.0000
    10        0.5307             nan     0.0286    0.0000
    20        0.5302             nan     0.0286    0.0000
    40        0.5297             nan     0.0286    0.0000
    60        0.5293             nan     0.0286   -0.0000
    80        0.5290             nan     0.0286    0.0000
   100        0.5288             nan     0.0286   -0.0000
   120        0.5286             nan     0.0286   -0.0000
   140        0.5285             nan     0.0286   -0.0000
   160        0.5284             nan     0.0286   -0.0000
   180        0.5282             nan     0.0286   -0.0000
   200        0.5281             nan     0.0286   -0.0000
   220        0.5281             nan     0.0286   -0.0000
   240        0.5280             nan     0.0286   -0.0000
   260        0.5279             nan     0.0286   -0.0000
   280        0.5278             nan     0.0286   -0.0000
   300        0.5278             nan     0.0286   -0.0000
   320        0.5277             nan     0.0286   -0.0000
   340        0.5277             nan     0.0286   -0.0000
   360        0.5276             nan     0.0286   -0.0000
   380        0.5276             nan     0.0286   -0.0000
   400        0.5276             nan     0.0286   -0.0000
   420        0.5275             nan     0.0286   -0.0000
   440        0.5275             nan     0.0286   -0.0000
   460        0.5275             nan     0.0286   -0.0000
   480        0.5275             nan     0.0286   -0.0000
   500        0.5274             nan     0.0286   -0.0000
   520        0.5274             nan     0.0286   -0.0000
   540        0.5274             nan     0.0286   -0.0000
   560        0.5273             nan     0.0286   -0.0000
   580        0.5273             nan     0.0286   -0.0000
   600        0.5273             nan     0.0286   -0.0000
   620        0.5273             nan     0.0286   -0.0000
   640        0.5272             nan     0.0286   -0.0000
   660        0.5272             nan     0.0286   -0.0000
   680        0.5272             nan     0.0286   -0.0000
   700        0.5272             nan     0.0286   -0.0000
   720        0.5271             nan     0.0286   -0.0000
   740        0.5271             nan     0.0286   -0.0000
   760        0.5271             nan     0.0286   -0.0000
   780        0.5271             nan     0.0286   -0.0000
   800        0.5271             nan     0.0286   -0.0000
   820        0.5270             nan     0.0286   -0.0000
   840        0.5270             nan     0.0286   -0.0000
   860        0.5270             nan     0.0286   -0.0000
   880        0.5270             nan     0.0286   -0.0000
   900        0.5269             nan     0.0286   -0.0000
   920        0.5269             nan     0.0286   -0.0000
   922        0.5269             nan     0.0286   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5311             nan     0.0298    0.0000
     2        0.5310             nan     0.0298    0.0000
     3        0.5309             nan     0.0298    0.0000
     4        0.5308             nan     0.0298    0.0000
     5        0.5307             nan     0.0298    0.0000
     6        0.5307             nan     0.0298    0.0000
     7        0.5306             nan     0.0298    0.0000
     8        0.5305             nan     0.0298    0.0000
     9        0.5305             nan     0.0298    0.0000
    10        0.5304             nan     0.0298    0.0000
    20        0.5298             nan     0.0298    0.0000
    40        0.5290             nan     0.0298   -0.0000
    60        0.5286             nan     0.0298   -0.0000
    80        0.5282             nan     0.0298   -0.0000
   100        0.5278             nan     0.0298    0.0000
   120        0.5275             nan     0.0298   -0.0000
   140        0.5273             nan     0.0298   -0.0000
   160        0.5270             nan     0.0298   -0.0000
   180        0.5268             nan     0.0298   -0.0000
   200        0.5266             nan     0.0298   -0.0000
   220        0.5264             nan     0.0298   -0.0000
   240        0.5262             nan     0.0298   -0.0000
   260        0.5261             nan     0.0298   -0.0000
   280        0.5259             nan     0.0298   -0.0000
   300        0.5257             nan     0.0298   -0.0000
   320        0.5255             nan     0.0298   -0.0000
   340        0.5254             nan     0.0298   -0.0000
   360        0.5252             nan     0.0298   -0.0000
   380        0.5249             nan     0.0298   -0.0000
   400        0.5248             nan     0.0298   -0.0000
   420        0.5247             nan     0.0298   -0.0000
   440        0.5245             nan     0.0298   -0.0000
   460        0.5243             nan     0.0298   -0.0000
   480        0.5242             nan     0.0298   -0.0000
   500        0.5241             nan     0.0298   -0.0000
   506        0.5240             nan     0.0298   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5311             nan     0.0305    0.0000
     2        0.5310             nan     0.0305    0.0000
     3        0.5309             nan     0.0305    0.0000
     4        0.5309             nan     0.0305    0.0000
     5        0.5308             nan     0.0305    0.0000
     6        0.5307             nan     0.0305    0.0000
     7        0.5306             nan     0.0305    0.0000
     8        0.5306             nan     0.0305    0.0000
     9        0.5305             nan     0.0305    0.0000
    10        0.5304             nan     0.0305    0.0000
    20        0.5298             nan     0.0305    0.0000
    40        0.5289             nan     0.0305   -0.0000
    60        0.5282             nan     0.0305   -0.0000
    80        0.5278             nan     0.0305   -0.0000
   100        0.5275             nan     0.0305   -0.0000
   120        0.5272             nan     0.0305   -0.0000
   140        0.5270             nan     0.0305   -0.0000
   160        0.5268             nan     0.0305   -0.0000
   180        0.5266             nan     0.0305   -0.0000
   200        0.5264             nan     0.0305   -0.0000
   220        0.5262             nan     0.0305   -0.0000
   240        0.5260             nan     0.0305   -0.0000
   260        0.5259             nan     0.0305   -0.0000
   280        0.5257             nan     0.0305   -0.0000
   300        0.5255             nan     0.0305   -0.0000
   320        0.5253             nan     0.0305   -0.0000
   340        0.5252             nan     0.0305   -0.0000
   360        0.5251             nan     0.0305   -0.0000
   380        0.5249             nan     0.0305   -0.0000
   400        0.5248             nan     0.0305   -0.0000
   420        0.5247             nan     0.0305   -0.0000
   440        0.5245             nan     0.0305   -0.0000
   460        0.5244             nan     0.0305   -0.0000
   480        0.5243             nan     0.0305   -0.0000
   500        0.5242             nan     0.0305   -0.0000
   520        0.5241             nan     0.0305   -0.0000
   540        0.5240             nan     0.0305   -0.0000
   560        0.5239             nan     0.0305   -0.0000
   580        0.5237             nan     0.0305   -0.0000
   600        0.5236             nan     0.0305   -0.0000
   620        0.5235             nan     0.0305   -0.0000
   628        0.5235             nan     0.0305   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5311             nan     0.0306    0.0000
     2        0.5310             nan     0.0306    0.0000
     3        0.5310             nan     0.0306    0.0000
     4        0.5309             nan     0.0306    0.0000
     5        0.5308             nan     0.0306    0.0000
     6        0.5307             nan     0.0306    0.0000
     7        0.5306             nan     0.0306    0.0000
     8        0.5306             nan     0.0306    0.0000
     9        0.5305             nan     0.0306    0.0000
    10        0.5304             nan     0.0306    0.0000
    20        0.5298             nan     0.0306    0.0000
    40        0.5290             nan     0.0306    0.0000
    60        0.5286             nan     0.0306    0.0000
    80        0.5281             nan     0.0306   -0.0000
   100        0.5277             nan     0.0306   -0.0000
   120        0.5275             nan     0.0306   -0.0000
   140        0.5272             nan     0.0306   -0.0000
   160        0.5270             nan     0.0306   -0.0000
   180        0.5266             nan     0.0306   -0.0001
   200        0.5264             nan     0.0306   -0.0000
   220        0.5262             nan     0.0306   -0.0000
   240        0.5259             nan     0.0306   -0.0000
   260        0.5257             nan     0.0306   -0.0000
   280        0.5254             nan     0.0306   -0.0000
   300        0.5252             nan     0.0306   -0.0000
   320        0.5251             nan     0.0306   -0.0001
   340        0.5250             nan     0.0306   -0.0000
   360        0.5249             nan     0.0306   -0.0000
   380        0.5248             nan     0.0306   -0.0000
   400        0.5246             nan     0.0306   -0.0000
   420        0.5245             nan     0.0306   -0.0000
   440        0.5244             nan     0.0306   -0.0000
   460        0.5243             nan     0.0306   -0.0000
   480        0.5242             nan     0.0306   -0.0000
   500        0.5241             nan     0.0306   -0.0000
   520        0.5239             nan     0.0306   -0.0000
   540        0.5238             nan     0.0306   -0.0000
   560        0.5237             nan     0.0306   -0.0000
   580        0.5236             nan     0.0306   -0.0000
   600        0.5236             nan     0.0306   -0.0002
   613        0.5236             nan     0.0306   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5311             nan     0.0370    0.0001
     2        0.5309             nan     0.0370    0.0000
     3        0.5307             nan     0.0370    0.0001
     4        0.5305             nan     0.0370   -0.0001
     5        0.5304             nan     0.0370    0.0000
     6        0.5302             nan     0.0370    0.0000
     7        0.5301             nan     0.0370    0.0000
     8        0.5300             nan     0.0370    0.0000
     9        0.5299             nan     0.0370    0.0000
    10        0.5297             nan     0.0370    0.0001
    20        0.5286             nan     0.0370    0.0000
    40        0.5272             nan     0.0370    0.0000
    60        0.5262             nan     0.0370   -0.0000
    80        0.5256             nan     0.0370   -0.0000
   100        0.5248             nan     0.0370   -0.0000
   120        0.5240             nan     0.0370   -0.0000
   140        0.5234             nan     0.0370   -0.0000
   160        0.5229             nan     0.0370   -0.0000
   180        0.5222             nan     0.0370   -0.0000
   200        0.5217             nan     0.0370    0.0000
   220        0.5211             nan     0.0370   -0.0000
   240        0.5206             nan     0.0370   -0.0000
   260        0.5201             nan     0.0370   -0.0000
   280        0.5195             nan     0.0370   -0.0000
   300        0.5191             nan     0.0370   -0.0000
   320        0.5186             nan     0.0370   -0.0000
   340        0.5181             nan     0.0370   -0.0000
   360        0.5176             nan     0.0370   -0.0000
   380        0.5170             nan     0.0370   -0.0000
   400        0.5166             nan     0.0370   -0.0000
   420        0.5162             nan     0.0370   -0.0000
   440        0.5159             nan     0.0370   -0.0000
   460        0.5154             nan     0.0370   -0.0000
   480        0.5151             nan     0.0370   -0.0000
   500        0.5146             nan     0.0370   -0.0000
   520        0.5143             nan     0.0370   -0.0000
   540        0.5140             nan     0.0370   -0.0000
   560        0.5136             nan     0.0370   -0.0000
   580        0.5131             nan     0.0370   -0.0000
   595        0.5127             nan     0.0370   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5311             nan     0.0402    0.0000
     2        0.5310             nan     0.0402    0.0000
     3        0.5310             nan     0.0402    0.0000
     4        0.5309             nan     0.0402    0.0000
     5        0.5308             nan     0.0402    0.0000
     6        0.5308             nan     0.0402    0.0000
     7        0.5307             nan     0.0402    0.0000
     8        0.5306             nan     0.0402    0.0000
     9        0.5306             nan     0.0402    0.0000
    10        0.5305             nan     0.0402    0.0000
    20        0.5300             nan     0.0402    0.0000
    40        0.5294             nan     0.0402    0.0000
    60        0.5289             nan     0.0402    0.0000
    80        0.5287             nan     0.0402   -0.0000
   100        0.5283             nan     0.0402   -0.0000
   120        0.5282             nan     0.0402   -0.0000
   140        0.5281             nan     0.0402   -0.0000
   160        0.5280             nan     0.0402   -0.0000
   180        0.5279             nan     0.0402   -0.0000
   200        0.5278             nan     0.0402   -0.0000
   220        0.5277             nan     0.0402   -0.0000
   240        0.5277             nan     0.0402   -0.0000
   260        0.5276             nan     0.0402   -0.0000
   280        0.5276             nan     0.0402   -0.0000
   300        0.5275             nan     0.0402   -0.0000
   320        0.5274             nan     0.0402   -0.0000
   340        0.5274             nan     0.0402   -0.0000
   360        0.5274             nan     0.0402   -0.0000
   380        0.5273             nan     0.0402   -0.0000
   400        0.5273             nan     0.0402   -0.0000
   420        0.5272             nan     0.0402   -0.0000
   440        0.5272             nan     0.0402   -0.0000
   460        0.5272             nan     0.0402   -0.0000
   480        0.5271             nan     0.0402   -0.0000
   500        0.5271             nan     0.0402   -0.0000
   520        0.5271             nan     0.0402   -0.0000
   540        0.5270             nan     0.0402   -0.0000
   560        0.5270             nan     0.0402   -0.0000
   580        0.5270             nan     0.0402   -0.0000
   600        0.5270             nan     0.0402   -0.0000
   620        0.5270             nan     0.0402   -0.0000
   640        0.5269             nan     0.0402   -0.0000
   660        0.5269             nan     0.0402   -0.0000
   680        0.5268             nan     0.0402   -0.0000
   700        0.5268             nan     0.0402   -0.0000
   720        0.5268             nan     0.0402   -0.0000
   740        0.5268             nan     0.0402   -0.0000
   747        0.5268             nan     0.0402   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5311             nan     0.0405    0.0001
     2        0.5310             nan     0.0405    0.0000
     3        0.5309             nan     0.0405    0.0000
     4        0.5308             nan     0.0405    0.0000
     5        0.5307             nan     0.0405    0.0000
     6        0.5306             nan     0.0405    0.0000
     7        0.5305             nan     0.0405    0.0000
     8        0.5303             nan     0.0405    0.0000
     9        0.5302             nan     0.0405    0.0000
    10        0.5302             nan     0.0405    0.0000
    20        0.5295             nan     0.0405    0.0000
    40        0.5286             nan     0.0405   -0.0000
    60        0.5281             nan     0.0405   -0.0000
    80        0.5277             nan     0.0405   -0.0000
   100        0.5274             nan     0.0405   -0.0000
   120        0.5271             nan     0.0405   -0.0000
   140        0.5267             nan     0.0405   -0.0000
   160        0.5265             nan     0.0405   -0.0000
   180        0.5262             nan     0.0405   -0.0000
   200        0.5260             nan     0.0405   -0.0000
   220        0.5257             nan     0.0405   -0.0000
   240        0.5255             nan     0.0405   -0.0000
   260        0.5252             nan     0.0405   -0.0000
   280        0.5250             nan     0.0405   -0.0000
   300        0.5248             nan     0.0405   -0.0000
   320        0.5247             nan     0.0405   -0.0000
   340        0.5245             nan     0.0405   -0.0000
   360        0.5244             nan     0.0405   -0.0000
   380        0.5242             nan     0.0405   -0.0000
   400        0.5241             nan     0.0405   -0.0000
   420        0.5239             nan     0.0405   -0.0000
   440        0.5238             nan     0.0405   -0.0000
   460        0.5236             nan     0.0405   -0.0000
   480        0.5233             nan     0.0405   -0.0000
   500        0.5232             nan     0.0405   -0.0000
   520        0.5230             nan     0.0405   -0.0000
   540        0.5229             nan     0.0405   -0.0000
   560        0.5227             nan     0.0405   -0.0000
   580        0.5226             nan     0.0405   -0.0000
   600        0.5225             nan     0.0405   -0.0000
   620        0.5223             nan     0.0405   -0.0000
   640        0.5221             nan     0.0405   -0.0000
   650        0.5220             nan     0.0405   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5310             nan     0.0413    0.0001
     2        0.5309             nan     0.0413    0.0000
     3        0.5307             nan     0.0413    0.0000
     4        0.5306             nan     0.0413    0.0000
     5        0.5303             nan     0.0413    0.0001
     6        0.5302             nan     0.0413    0.0000
     7        0.5301             nan     0.0413    0.0000
     8        0.5300             nan     0.0413    0.0000
     9        0.5298             nan     0.0413    0.0000
    10        0.5297             nan     0.0413    0.0000
    20        0.5288             nan     0.0413    0.0000
    40        0.5274             nan     0.0413   -0.0000
    60        0.5263             nan     0.0413    0.0000
    80        0.5257             nan     0.0413   -0.0000
   100        0.5248             nan     0.0413   -0.0000
   120        0.5242             nan     0.0413   -0.0000
   140        0.5236             nan     0.0413   -0.0000
   160        0.5231             nan     0.0413   -0.0000
   180        0.5226             nan     0.0413   -0.0000
   200        0.5221             nan     0.0413   -0.0000
   220        0.5218             nan     0.0413   -0.0000
   240        0.5214             nan     0.0413   -0.0000
   260        0.5210             nan     0.0413   -0.0000
   280        0.5206             nan     0.0413   -0.0001
   300        0.5202             nan     0.0413   -0.0000
   320        0.5198             nan     0.0413   -0.0000
   340        0.5194             nan     0.0413   -0.0000
   360        0.5191             nan     0.0413   -0.0000
   380        0.5186             nan     0.0413   -0.0000
   400        0.5183             nan     0.0413   -0.0000
   420        0.5179             nan     0.0413   -0.0003
   425        0.5179             nan     0.0413   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5311             nan     0.0502    0.0001
     2        0.5310             nan     0.0502    0.0000
     3        0.5308             nan     0.0502    0.0000
     4        0.5307             nan     0.0502    0.0000
     5        0.5306             nan     0.0502    0.0000
     6        0.5304             nan     0.0502    0.0000
     7        0.5304             nan     0.0502    0.0000
     8        0.5302             nan     0.0502    0.0001
     9        0.5301             nan     0.0502    0.0000
    10        0.5301             nan     0.0502    0.0000
    20        0.5293             nan     0.0502   -0.0000
    40        0.5284             nan     0.0502   -0.0000
    60        0.5279             nan     0.0502   -0.0000
    80        0.5275             nan     0.0502   -0.0000
   100        0.5271             nan     0.0502   -0.0000
   120        0.5266             nan     0.0502   -0.0000
   140        0.5263             nan     0.0502   -0.0000
   160        0.5259             nan     0.0502   -0.0000
   180        0.5256             nan     0.0502   -0.0000
   200        0.5253             nan     0.0502   -0.0000
   220        0.5251             nan     0.0502   -0.0000
   240        0.5250             nan     0.0502   -0.0003
   260        0.5246             nan     0.0502   -0.0000
   280        0.5243             nan     0.0502   -0.0000
   300        0.5240             nan     0.0502   -0.0000
   320        0.5238             nan     0.0502   -0.0000
   340        0.5237             nan     0.0502   -0.0000
   360        0.5235             nan     0.0502   -0.0000
   380        0.5233             nan     0.0502   -0.0000
   400        0.5233             nan     0.0502   -0.0000
   420        0.5231             nan     0.0502   -0.0000
   440        0.5229             nan     0.0502   -0.0000
   460        0.5227             nan     0.0502   -0.0000
   480        0.5226             nan     0.0502   -0.0000
   500        0.5224             nan     0.0502   -0.0000
   520        0.5222             nan     0.0502   -0.0000
   540        0.5220             nan     0.0502   -0.0000
   559        0.5219             nan     0.0502   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5310             nan     0.0536    0.0000
     2        0.5307             nan     0.0536    0.0001
     3        0.5304             nan     0.0536    0.0001
     4        0.5301             nan     0.0536    0.0001
     5        0.5300             nan     0.0536    0.0001
     6        0.5298             nan     0.0536    0.0000
     7        0.5297             nan     0.0536    0.0000
     8        0.5295             nan     0.0536    0.0000
     9        0.5294             nan     0.0536    0.0000
    10        0.5295             nan     0.0536   -0.0003
    20        0.5282             nan     0.0536   -0.0000
    40        0.5267             nan     0.0536   -0.0000
    60        0.5256             nan     0.0536   -0.0000
    80        0.5246             nan     0.0536   -0.0000
   100        0.5235             nan     0.0536   -0.0000
   120        0.5226             nan     0.0536   -0.0000
   140        0.5219             nan     0.0536   -0.0000
   160        0.5214             nan     0.0536   -0.0000
   173        0.5208             nan     0.0536   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5310             nan     0.0631    0.0001
     2        0.5307             nan     0.0631    0.0001
     3        0.5305             nan     0.0631    0.0000
     4        0.5303             nan     0.0631    0.0001
     5        0.5301             nan     0.0631    0.0000
     6        0.5300             nan     0.0631    0.0000
     7        0.5298             nan     0.0631    0.0000
     8        0.5296             nan     0.0631    0.0000
     9        0.5295             nan     0.0631    0.0000
    10        0.5294             nan     0.0631    0.0000
    20        0.5283             nan     0.0631    0.0000
    40        0.5272             nan     0.0631   -0.0000
    60        0.5262             nan     0.0631   -0.0000
    80        0.5254             nan     0.0631   -0.0000
   100        0.5244             nan     0.0631   -0.0000
   120        0.5238             nan     0.0631   -0.0000
   140        0.5229             nan     0.0631   -0.0000
   160        0.5222             nan     0.0631   -0.0000
   180        0.5215             nan     0.0631   -0.0000
   200        0.5210             nan     0.0631   -0.0000
   220        0.5202             nan     0.0631   -0.0000
   240        0.5195             nan     0.0631   -0.0000
   260        0.5189             nan     0.0631   -0.0000
   280        0.5184             nan     0.0631   -0.0003
   300        0.5177             nan     0.0631   -0.0000
   320        0.5171             nan     0.0631   -0.0001
   340        0.5163             nan     0.0631   -0.0000
   360        0.5158             nan     0.0631   -0.0000
   380        0.5153             nan     0.0631   -0.0000
   400        0.5148             nan     0.0631   -0.0000
   420        0.5142             nan     0.0631   -0.0000
   440        0.5138             nan     0.0631   -0.0000
   460        0.5131             nan     0.0631   -0.0000
   480        0.5123             nan     0.0631   -0.0000
   500        0.5119             nan     0.0631   -0.0001
   520        0.5113             nan     0.0631   -0.0000
   540        0.5109             nan     0.0631   -0.0002
   560        0.5104             nan     0.0631   -0.0000
   580        0.5101             nan     0.0631   -0.0000
   600        0.5097             nan     0.0631   -0.0000
   620        0.5094             nan     0.0631   -0.0001
   622        0.5094             nan     0.0631   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5310             nan     0.0632    0.0001
     2        0.5308             nan     0.0632    0.0001
     3        0.5305             nan     0.0632    0.0001
     4        0.5302             nan     0.0632    0.0001
     5        0.5300             nan     0.0632    0.0001
     6        0.5299             nan     0.0632    0.0000
     7        0.5298             nan     0.0632    0.0000
     8        0.5297             nan     0.0632    0.0000
     9        0.5295             nan     0.0632    0.0000
    10        0.5294             nan     0.0632   -0.0000
    20        0.5285             nan     0.0632    0.0000
    40        0.5273             nan     0.0632   -0.0000
    60        0.5265             nan     0.0632   -0.0000
    80        0.5259             nan     0.0632   -0.0000
   100        0.5254             nan     0.0632   -0.0000
   120        0.5249             nan     0.0632   -0.0000
   140        0.5243             nan     0.0632   -0.0000
   160        0.5238             nan     0.0632   -0.0000
   180        0.5234             nan     0.0632   -0.0000
   200        0.5230             nan     0.0632   -0.0000
   220        0.5226             nan     0.0632   -0.0000
   240        0.5222             nan     0.0632   -0.0000
   260        0.5219             nan     0.0632   -0.0000
   280        0.5214             nan     0.0632   -0.0001
   296        0.5211             nan     0.0632   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5309             nan     0.0632    0.0001
     2        0.5306             nan     0.0632    0.0001
     3        0.5304             nan     0.0632    0.0001
     4        0.5301             nan     0.0632    0.0001
     5        0.5299             nan     0.0632    0.0000
     6        0.5297             nan     0.0632    0.0001
     7        0.5295             nan     0.0632    0.0001
     8        0.5293             nan     0.0632    0.0001
     9        0.5291             nan     0.0632   -0.0000
    10        0.5290             nan     0.0632    0.0001
    20        0.5278             nan     0.0632    0.0000
    40        0.5259             nan     0.0632   -0.0000
    60        0.5249             nan     0.0632   -0.0000
    80        0.5238             nan     0.0632   -0.0000
   100        0.5228             nan     0.0632   -0.0000
   120        0.5221             nan     0.0632   -0.0000
   140        0.5214             nan     0.0632   -0.0000
   160        0.5206             nan     0.0632   -0.0000
   180        0.5201             nan     0.0632   -0.0001
   200        0.5193             nan     0.0632   -0.0001
   220        0.5187             nan     0.0632   -0.0000
   240        0.5181             nan     0.0632   -0.0000
   260        0.5175             nan     0.0632   -0.0000
   280        0.5169             nan     0.0632   -0.0001
   300        0.5161             nan     0.0632   -0.0000
   320        0.5156             nan     0.0632   -0.0001
   340        0.5150             nan     0.0632   -0.0000
   360        0.5144             nan     0.0632   -0.0000
   380        0.5139             nan     0.0632   -0.0000
   400        0.5133             nan     0.0632   -0.0000
   420        0.5128             nan     0.0632   -0.0001
   440        0.5124             nan     0.0632   -0.0000
   460        0.5120             nan     0.0632   -0.0001
   480        0.5117             nan     0.0632   -0.0000
   500        0.5112             nan     0.0632   -0.0000
   520        0.5108             nan     0.0632   -0.0000
   540        0.5103             nan     0.0632   -0.0000
   560        0.5100             nan     0.0632   -0.0001
   580        0.5095             nan     0.0632   -0.0001
   600        0.5092             nan     0.0632   -0.0001
   610        0.5090             nan     0.0632   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5311             nan     0.0647    0.0000
     2        0.5310             nan     0.0647    0.0000
     3        0.5308             nan     0.0647    0.0000
     4        0.5307             nan     0.0647    0.0000
     5        0.5306             nan     0.0647    0.0000
     6        0.5305             nan     0.0647    0.0000
     7        0.5304             nan     0.0647    0.0000
     8        0.5304             nan     0.0647    0.0000
     9        0.5303             nan     0.0647    0.0000
    10        0.5302             nan     0.0647    0.0000
    20        0.5297             nan     0.0647   -0.0000
    40        0.5290             nan     0.0647   -0.0000
    60        0.5286             nan     0.0647    0.0000
    80        0.5283             nan     0.0647   -0.0000
   100        0.5281             nan     0.0647   -0.0000
   120        0.5279             nan     0.0647   -0.0000
   140        0.5278             nan     0.0647   -0.0000
   160        0.5277             nan     0.0647   -0.0000
   180        0.5276             nan     0.0647   -0.0000
   200        0.5276             nan     0.0647   -0.0000
   220        0.5274             nan     0.0647   -0.0000
   227        0.5274             nan     0.0647   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5310             nan     0.0655    0.0001
     2        0.5307             nan     0.0655    0.0000
     3        0.5305             nan     0.0655    0.0000
     4        0.5303             nan     0.0655    0.0000
     5        0.5301             nan     0.0655    0.0001
     6        0.5299             nan     0.0655    0.0000
     7        0.5298             nan     0.0655    0.0000
     8        0.5297             nan     0.0655    0.0000
     9        0.5296             nan     0.0655   -0.0000
    10        0.5295             nan     0.0655   -0.0000
    20        0.5283             nan     0.0655   -0.0000
    40        0.5268             nan     0.0655   -0.0000
    60        0.5261             nan     0.0655   -0.0000
    80        0.5253             nan     0.0655   -0.0000
   100        0.5247             nan     0.0655   -0.0000
   120        0.5239             nan     0.0655   -0.0000
   140        0.5234             nan     0.0655   -0.0000
   160        0.5227             nan     0.0655   -0.0000
   180        0.5224             nan     0.0655   -0.0000
   200        0.5222             nan     0.0655   -0.0001
   220        0.5217             nan     0.0655   -0.0000
   240        0.5213             nan     0.0655   -0.0000
   260        0.5208             nan     0.0655   -0.0000
   280        0.5203             nan     0.0655   -0.0001
   300        0.5198             nan     0.0655   -0.0000
   320        0.5195             nan     0.0655   -0.0000
   340        0.5191             nan     0.0655   -0.0000
   360        0.5191             nan     0.0655   -0.0000
   380        0.5188             nan     0.0655   -0.0000
   400        0.5186             nan     0.0655   -0.0000
   420        0.5184             nan     0.0655   -0.0000
   440        0.5178             nan     0.0655   -0.0000
   460        0.5173             nan     0.0655   -0.0000
   480        0.5170             nan     0.0655   -0.0000
   500        0.5167             nan     0.0655   -0.0000
   520        0.5162             nan     0.0655   -0.0000
   540        0.5159             nan     0.0655   -0.0000
   560        0.5156             nan     0.0655   -0.0001
   580        0.5154             nan     0.0655   -0.0000
   600        0.5150             nan     0.0655   -0.0000
   620        0.5148             nan     0.0655   -0.0000
   640        0.5145             nan     0.0655   -0.0001
   642        0.5144             nan     0.0655   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5309             nan     0.0664    0.0001
     2        0.5306             nan     0.0664    0.0001
     3        0.5304             nan     0.0664    0.0000
     4        0.5301             nan     0.0664    0.0001
     5        0.5299             nan     0.0664    0.0000
     6        0.5297             nan     0.0664    0.0001
     7        0.5295             nan     0.0664    0.0000
     8        0.5294             nan     0.0664   -0.0000
     9        0.5292             nan     0.0664    0.0000
    10        0.5290             nan     0.0664    0.0001
    20        0.5277             nan     0.0664   -0.0000
    40        0.5261             nan     0.0664   -0.0000
    51        0.5255             nan     0.0664   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5307             nan     0.0683    0.0002
     2        0.5304             nan     0.0683    0.0001
     3        0.5302             nan     0.0683    0.0001
     4        0.5300             nan     0.0683    0.0000
     5        0.5298             nan     0.0683    0.0000
     6        0.5296             nan     0.0683    0.0000
     7        0.5294             nan     0.0683    0.0000
     8        0.5293             nan     0.0683    0.0000
     9        0.5291             nan     0.0683    0.0000
    10        0.5291             nan     0.0683   -0.0002
    20        0.5279             nan     0.0683   -0.0000
    40        0.5266             nan     0.0683   -0.0000
    52        0.5259             nan     0.0683    0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5311             nan     0.0702    0.0001
     2        0.5309             nan     0.0702    0.0000
     3        0.5308             nan     0.0702    0.0001
     4        0.5307             nan     0.0702    0.0000
     5        0.5306             nan     0.0702    0.0000
     6        0.5305             nan     0.0702    0.0000
     7        0.5304             nan     0.0702   -0.0000
     8        0.5303             nan     0.0702    0.0000
     9        0.5302             nan     0.0702    0.0000
    10        0.5301             nan     0.0702    0.0000
    20        0.5296             nan     0.0702   -0.0000
    40        0.5289             nan     0.0702   -0.0000
    60        0.5284             nan     0.0702   -0.0000
    80        0.5281             nan     0.0702   -0.0000
   100        0.5280             nan     0.0702   -0.0000
   120        0.5278             nan     0.0702   -0.0000
   140        0.5277             nan     0.0702   -0.0000
   158        0.5276             nan     0.0702   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5310             nan     0.0708    0.0000
     2        0.5307             nan     0.0708    0.0001
     3        0.5305             nan     0.0708    0.0000
     4        0.5302             nan     0.0708    0.0001
     5        0.5301             nan     0.0708    0.0000
     6        0.5299             nan     0.0708    0.0001
     7        0.5298             nan     0.0708    0.0000
     8        0.5296             nan     0.0708    0.0001
     9        0.5294             nan     0.0708    0.0000
    10        0.5293             nan     0.0708    0.0000
    20        0.5282             nan     0.0708    0.0000
    40        0.5270             nan     0.0708   -0.0000
    60        0.5260             nan     0.0708   -0.0000
    80        0.5252             nan     0.0708   -0.0000
   100        0.5246             nan     0.0708   -0.0000
   120        0.5240             nan     0.0708   -0.0000
   140        0.5234             nan     0.0708   -0.0000
   160        0.5228             nan     0.0708   -0.0000
   180        0.5224             nan     0.0708   -0.0000
   200        0.5219             nan     0.0708   -0.0000
   220        0.5218             nan     0.0708   -0.0000
   240        0.5215             nan     0.0708   -0.0004
   260        0.5210             nan     0.0708   -0.0000
   280        0.5204             nan     0.0708   -0.0000
   300        0.5199             nan     0.0708   -0.0000
   320        0.5195             nan     0.0708   -0.0000
   340        0.5191             nan     0.0708   -0.0000
   360        0.5187             nan     0.0708   -0.0000
   380        0.5184             nan     0.0708   -0.0000
   400        0.5179             nan     0.0708   -0.0000
   420        0.5174             nan     0.0708   -0.0000
   440        0.5172             nan     0.0708   -0.0000
   460        0.5168             nan     0.0708   -0.0000
   480        0.5165             nan     0.0708   -0.0000
   500        0.5163             nan     0.0708   -0.0004
   520        0.5161             nan     0.0708   -0.0000
   540        0.5156             nan     0.0708   -0.0001
   559        0.5151             nan     0.0708   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5311             nan     0.0712    0.0000
     2        0.5310             nan     0.0712    0.0001
     3        0.5309             nan     0.0712    0.0001
     4        0.5308             nan     0.0712    0.0000
     5        0.5306             nan     0.0712    0.0000
     6        0.5305             nan     0.0712    0.0000
     7        0.5304             nan     0.0712    0.0000
     8        0.5303             nan     0.0712    0.0000
     9        0.5302             nan     0.0712   -0.0000
    10        0.5301             nan     0.0712    0.0000
    20        0.5296             nan     0.0712   -0.0000
    40        0.5289             nan     0.0712   -0.0000
    60        0.5284             nan     0.0712   -0.0000
    80        0.5281             nan     0.0712   -0.0000
   100        0.5281             nan     0.0712   -0.0000
   120        0.5278             nan     0.0712   -0.0000
   140        0.5277             nan     0.0712   -0.0000
   160        0.5276             nan     0.0712   -0.0000
   180        0.5275             nan     0.0712   -0.0000
   200        0.5274             nan     0.0712   -0.0000
   220        0.5273             nan     0.0712   -0.0000
   240        0.5273             nan     0.0712   -0.0000
   260        0.5272             nan     0.0712   -0.0000
   280        0.5271             nan     0.0712   -0.0000
   300        0.5271             nan     0.0712   -0.0000
   320        0.5270             nan     0.0712   -0.0000
   340        0.5270             nan     0.0712   -0.0000
   360        0.5270             nan     0.0712   -0.0000
   380        0.5269             nan     0.0712   -0.0000
   400        0.5269             nan     0.0712   -0.0000
   420        0.5268             nan     0.0712   -0.0000
   440        0.5268             nan     0.0712   -0.0000
   441        0.5268             nan     0.0712   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5308             nan     0.0722    0.0002
     2        0.5306             nan     0.0722    0.0001
     3        0.5304             nan     0.0722    0.0000
     4        0.5302             nan     0.0722    0.0001
     5        0.5300             nan     0.0722    0.0000
     6        0.5297             nan     0.0722    0.0001
     7        0.5295             nan     0.0722    0.0000
     8        0.5294             nan     0.0722    0.0000
     9        0.5293             nan     0.0722    0.0000
    10        0.5291             nan     0.0722    0.0000
    20        0.5279             nan     0.0722   -0.0000
    40        0.5260             nan     0.0722    0.0000
    60        0.5248             nan     0.0722   -0.0000
    80        0.5240             nan     0.0722   -0.0000
   100        0.5233             nan     0.0722   -0.0001
   120        0.5227             nan     0.0722   -0.0000
   140        0.5218             nan     0.0722   -0.0000
   160        0.5209             nan     0.0722   -0.0000
   180        0.5201             nan     0.0722   -0.0000
   200        0.5196             nan     0.0722   -0.0000
   220        0.5189             nan     0.0722   -0.0000
   240        0.5181             nan     0.0722   -0.0000
   260        0.5176             nan     0.0722   -0.0000
   280        0.5169             nan     0.0722   -0.0000
   300        0.5164             nan     0.0722   -0.0000
   320        0.5157             nan     0.0722   -0.0000
   340        0.5155             nan     0.0722   -0.0003
   360        0.5149             nan     0.0722   -0.0001
   380        0.5147             nan     0.0722    0.0000
   400        0.5139             nan     0.0722   -0.0000
   419        0.5138             nan     0.0722   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5310             nan     0.0781    0.0001
     2        0.5309             nan     0.0781    0.0000
     3        0.5307             nan     0.0781    0.0001
     4        0.5305             nan     0.0781    0.0001
     5        0.5304             nan     0.0781   -0.0000
     6        0.5303             nan     0.0781    0.0000
     7        0.5301             nan     0.0781    0.0000
     8        0.5299             nan     0.0781    0.0001
     9        0.5298             nan     0.0781    0.0000
    10        0.5296             nan     0.0781    0.0000
    20        0.5287             nan     0.0781    0.0000
    40        0.5278             nan     0.0781   -0.0000
    60        0.5272             nan     0.0781   -0.0000
    80        0.5267             nan     0.0781   -0.0000
   100        0.5263             nan     0.0781   -0.0000
   120        0.5260             nan     0.0781   -0.0000
   140        0.5255             nan     0.0781   -0.0000
   160        0.5251             nan     0.0781   -0.0000
   180        0.5248             nan     0.0781   -0.0000
   200        0.5245             nan     0.0781   -0.0000
   220        0.5242             nan     0.0781   -0.0000
   240        0.5239             nan     0.0781   -0.0003
   260        0.5234             nan     0.0781   -0.0000
   280        0.5233             nan     0.0781   -0.0000
   300        0.5230             nan     0.0781   -0.0000
   320        0.5229             nan     0.0781   -0.0000
   340        0.5228             nan     0.0781   -0.0000
   360        0.5224             nan     0.0781   -0.0000
   380        0.5222             nan     0.0781   -0.0000
   400        0.5220             nan     0.0781   -0.0000
   420        0.5218             nan     0.0781   -0.0000
   440        0.5216             nan     0.0781   -0.0000
   460        0.5213             nan     0.0781   -0.0000
   480        0.5211             nan     0.0781   -0.0000
   500        0.5209             nan     0.0781   -0.0000
   520        0.5208             nan     0.0781   -0.0000
   540        0.5207             nan     0.0781   -0.0000
   560        0.5205             nan     0.0781   -0.0000
   580        0.5205             nan     0.0781   -0.0000
   600        0.5203             nan     0.0781   -0.0000
   620        0.5200             nan     0.0781   -0.0000
   640        0.5198             nan     0.0781   -0.0000
   660        0.5197             nan     0.0781   -0.0000
   680        0.5195             nan     0.0781   -0.0000
   700        0.5193             nan     0.0781   -0.0000
   720        0.5191             nan     0.0781   -0.0000
   740        0.5190             nan     0.0781   -0.0000
   760        0.5189             nan     0.0781   -0.0000
   780        0.5187             nan     0.0781   -0.0000
   800        0.5185             nan     0.0781   -0.0000
   820        0.5184             nan     0.0781   -0.0000
   840        0.5182             nan     0.0781   -0.0000
   860        0.5181             nan     0.0781   -0.0000
   880        0.5179             nan     0.0781   -0.0000
   900        0.5177             nan     0.0781   -0.0000
   920        0.5176             nan     0.0781   -0.0000
   923        0.5176             nan     0.0781   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5309             nan     0.0784    0.0001
     2        0.5305             nan     0.0784    0.0001
     3        0.5302             nan     0.0784    0.0001
     4        0.5297             nan     0.0784   -0.0000
     5        0.5295             nan     0.0784    0.0000
     6        0.5293             nan     0.0784    0.0000
     7        0.5291             nan     0.0784    0.0000
     8        0.5289             nan     0.0784    0.0000
     9        0.5288             nan     0.0784    0.0000
    10        0.5286             nan     0.0784   -0.0001
    20        0.5274             nan     0.0784   -0.0000
    40        0.5258             nan     0.0784   -0.0000
    60        0.5246             nan     0.0784   -0.0004
    80        0.5231             nan     0.0784   -0.0000
   100        0.5218             nan     0.0784   -0.0000
   120        0.5208             nan     0.0784   -0.0000
   140        0.5199             nan     0.0784   -0.0000
   160        0.5190             nan     0.0784   -0.0000
   180        0.5178             nan     0.0784    0.0000
   200        0.5168             nan     0.0784   -0.0000
   220        0.5158             nan     0.0784   -0.0001
   240        0.5149             nan     0.0784   -0.0000
   260        0.5143             nan     0.0784   -0.0001
   280        0.5133             nan     0.0784   -0.0000
   300        0.5124             nan     0.0784   -0.0001
   320        0.5116             nan     0.0784   -0.0001
   340        0.5108             nan     0.0784   -0.0000
   360        0.5103             nan     0.0784   -0.0000
   380        0.5102             nan     0.0784   -0.0000
   400        0.5096             nan     0.0784   -0.0001
   420        0.5088             nan     0.0784   -0.0000
   440        0.5081             nan     0.0784   -0.0000
   460        0.5074             nan     0.0784   -0.0000
   480        0.5065             nan     0.0784   -0.0001
   500        0.5059             nan     0.0784   -0.0000
   520        0.5056             nan     0.0784   -0.0001
   540        0.5053             nan     0.0784   -0.0001
   560        0.5050             nan     0.0784   -0.0000
   580        0.5042             nan     0.0784    0.0000
   600        0.5035             nan     0.0784   -0.0000
   620        0.5028             nan     0.0784   -0.0001
   640        0.5020             nan     0.0784   -0.0000
   660        0.5014             nan     0.0784   -0.0000
   680        0.5015             nan     0.0784   -0.0000
   700        0.5009             nan     0.0784   -0.0000
   720        0.5006             nan     0.0784   -0.0000
   740        0.4999             nan     0.0784   -0.0000
   760        0.4993             nan     0.0784   -0.0002
   780        0.4988             nan     0.0784   -0.0001
   790        0.4983             nan     0.0784   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5310             nan     0.0794    0.0001
     2        0.5307             nan     0.0794    0.0001
     3        0.5305             nan     0.0794    0.0001
     4        0.5303             nan     0.0794    0.0001
     5        0.5302             nan     0.0794    0.0000
     6        0.5300             nan     0.0794    0.0000
     7        0.5300             nan     0.0794    0.0000
     8        0.5299             nan     0.0794   -0.0000
     9        0.5298             nan     0.0794    0.0000
    10        0.5297             nan     0.0794    0.0000
    20        0.5288             nan     0.0794   -0.0001
    40        0.5279             nan     0.0794   -0.0000
    60        0.5271             nan     0.0794   -0.0000
    80        0.5266             nan     0.0794   -0.0000
   100        0.5261             nan     0.0794   -0.0000
   120        0.5256             nan     0.0794   -0.0001
   140        0.5252             nan     0.0794   -0.0000
   160        0.5250             nan     0.0794   -0.0000
   180        0.5247             nan     0.0794   -0.0002
   200        0.5243             nan     0.0794   -0.0000
   220        0.5239             nan     0.0794   -0.0001
   240        0.5236             nan     0.0794   -0.0000
   260        0.5231             nan     0.0794   -0.0000
   280        0.5228             nan     0.0794   -0.0000
   300        0.5225             nan     0.0794   -0.0000
   320        0.5224             nan     0.0794   -0.0000
   340        0.5221             nan     0.0794   -0.0000
   351        0.5220             nan     0.0794   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5309             nan     0.0809    0.0001
     2        0.5307             nan     0.0809    0.0000
     3        0.5304             nan     0.0809    0.0001
     4        0.5302             nan     0.0809    0.0000
     5        0.5300             nan     0.0809    0.0001
     6        0.5298             nan     0.0809    0.0001
     7        0.5296             nan     0.0809    0.0001
     8        0.5295             nan     0.0809    0.0000
     9        0.5293             nan     0.0809    0.0000
    10        0.5293             nan     0.0809   -0.0000
    20        0.5282             nan     0.0809    0.0000
    40        0.5264             nan     0.0809   -0.0000
    60        0.5256             nan     0.0809   -0.0001
    80        0.5246             nan     0.0809    0.0000
   100        0.5239             nan     0.0809   -0.0000
   120        0.5238             nan     0.0809   -0.0000
   140        0.5231             nan     0.0809   -0.0000
   160        0.5222             nan     0.0809   -0.0000
   180        0.5222             nan     0.0809   -0.0000
   200        0.5215             nan     0.0809   -0.0000
   220        0.5210             nan     0.0809   -0.0000
   240        0.5204             nan     0.0809    0.0000
   260        0.5198             nan     0.0809   -0.0000
   280        0.5194             nan     0.0809   -0.0000
   300        0.5189             nan     0.0809   -0.0000
   320        0.5184             nan     0.0809   -0.0000
   340        0.5179             nan     0.0809   -0.0001
   360        0.5173             nan     0.0809   -0.0000
   380        0.5168             nan     0.0809   -0.0000
   400        0.5164             nan     0.0809   -0.0003
   420        0.5161             nan     0.0809   -0.0000
   440        0.5156             nan     0.0809   -0.0000
   460        0.5150             nan     0.0809   -0.0000
   480        0.5148             nan     0.0809   -0.0000
   500        0.5143             nan     0.0809   -0.0000
   520        0.5143             nan     0.0809   -0.0000
   540        0.5139             nan     0.0809   -0.0000
   560        0.5136             nan     0.0809   -0.0000
   580        0.5133             nan     0.0809   -0.0000
   600        0.5128             nan     0.0809   -0.0000
   620        0.5123             nan     0.0809   -0.0001
   640        0.5120             nan     0.0809   -0.0000
   660        0.5117             nan     0.0809   -0.0000
   680        0.5114             nan     0.0809   -0.0000
   700        0.5116             nan     0.0809   -0.0000
   720        0.5111             nan     0.0809   -0.0000
   740        0.5106             nan     0.0809   -0.0000
   760        0.5103             nan     0.0809   -0.0000
   780        0.5100             nan     0.0809   -0.0000
   800        0.5095             nan     0.0809   -0.0000
   820        0.5091             nan     0.0809   -0.0000
   840        0.5087             nan     0.0809   -0.0001
   860        0.5085             nan     0.0809   -0.0000
   880        0.5081             nan     0.0809   -0.0000
   900        0.5076             nan     0.0809   -0.0000
   920        0.5072             nan     0.0809   -0.0000
   940        0.5070             nan     0.0809   -0.0000
   947        0.5069             nan     0.0809   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5309             nan     0.0841    0.0001
     2        0.5306             nan     0.0841    0.0001
     3        0.5304             nan     0.0841    0.0001
     4        0.5302             nan     0.0841    0.0000
     5        0.5300             nan     0.0841    0.0000
     6        0.5297             nan     0.0841    0.0001
     7        0.5296             nan     0.0841    0.0000
     8        0.5294             nan     0.0841    0.0001
     9        0.5293             nan     0.0841    0.0000
    10        0.5291             nan     0.0841    0.0000
    20        0.5280             nan     0.0841   -0.0000
    40        0.5267             nan     0.0841   -0.0000
    60        0.5257             nan     0.0841   -0.0001
    80        0.5249             nan     0.0841   -0.0001
   100        0.5243             nan     0.0841   -0.0000
   120        0.5235             nan     0.0841   -0.0000
   140        0.5230             nan     0.0841   -0.0000
   160        0.5225             nan     0.0841   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5310             nan     0.0845    0.0001
     2        0.5307             nan     0.0845    0.0001
     3        0.5304             nan     0.0845   -0.0000
     4        0.5301             nan     0.0845    0.0001
     5        0.5298             nan     0.0845    0.0001
     6        0.5296             nan     0.0845    0.0000
     7        0.5294             nan     0.0845    0.0000
     8        0.5292             nan     0.0845    0.0000
     9        0.5291             nan     0.0845    0.0000
    10        0.5289             nan     0.0845   -0.0000
    20        0.5276             nan     0.0845   -0.0000
    40        0.5262             nan     0.0845   -0.0000
    60        0.5250             nan     0.0845   -0.0001
    80        0.5241             nan     0.0845   -0.0000
   100        0.5233             nan     0.0845   -0.0001
   120        0.5225             nan     0.0845   -0.0000
   140        0.5218             nan     0.0845   -0.0001
   160        0.5212             nan     0.0845   -0.0000
   180        0.5203             nan     0.0845   -0.0001
   200        0.5197             nan     0.0845   -0.0001
   220        0.5191             nan     0.0845   -0.0005
   240        0.5188             nan     0.0845   -0.0000
   260        0.5182             nan     0.0845   -0.0000
   280        0.5177             nan     0.0845   -0.0000
   300        0.5169             nan     0.0845   -0.0000
   320        0.5165             nan     0.0845   -0.0000
   340        0.5158             nan     0.0845   -0.0001
   360        0.5154             nan     0.0845   -0.0000
   380        0.5149             nan     0.0845   -0.0000
   400        0.5145             nan     0.0845   -0.0000
   420        0.5141             nan     0.0845   -0.0000
   440        0.5137             nan     0.0845   -0.0001
   460        0.5132             nan     0.0845   -0.0000
   480        0.5128             nan     0.0845   -0.0000
   500        0.5125             nan     0.0845   -0.0001
   520        0.5120             nan     0.0845   -0.0000
   540        0.5117             nan     0.0845   -0.0000
   560        0.5114             nan     0.0845   -0.0001
   580        0.5111             nan     0.0845   -0.0001
   600        0.5107             nan     0.0845   -0.0001
   620        0.5104             nan     0.0845   -0.0001
   640        0.5100             nan     0.0845   -0.0001
   660        0.5097             nan     0.0845   -0.0000
   680        0.5094             nan     0.0845   -0.0000
   700        0.5091             nan     0.0845   -0.0001
   720        0.5087             nan     0.0845   -0.0000
   740        0.5082             nan     0.0845   -0.0001
   753        0.5080             nan     0.0845   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5311             nan     0.0848    0.0001
     2        0.5309             nan     0.0848    0.0001
     3        0.5308             nan     0.0848    0.0001
     4        0.5307             nan     0.0848    0.0001
     5        0.5306             nan     0.0848    0.0000
     6        0.5305             nan     0.0848    0.0000
     7        0.5304             nan     0.0848    0.0000
     8        0.5304             nan     0.0848   -0.0000
     9        0.5303             nan     0.0848   -0.0000
    10        0.5302             nan     0.0848    0.0000
    20        0.5294             nan     0.0848    0.0000
    40        0.5286             nan     0.0848   -0.0000
    60        0.5282             nan     0.0848   -0.0000
    80        0.5280             nan     0.0848   -0.0000
   100        0.5278             nan     0.0848   -0.0000
   120        0.5277             nan     0.0848   -0.0000
   140        0.5275             nan     0.0848   -0.0000
   160        0.5274             nan     0.0848   -0.0000
   180        0.5274             nan     0.0848   -0.0000
   200        0.5273             nan     0.0848   -0.0000
   220        0.5272             nan     0.0848   -0.0000
   240        0.5272             nan     0.0848   -0.0000
   260        0.5271             nan     0.0848   -0.0000
   280        0.5270             nan     0.0848   -0.0000
   300        0.5269             nan     0.0848   -0.0000
   320        0.5269             nan     0.0848   -0.0000
   340        0.5268             nan     0.0848   -0.0000
   360        0.5268             nan     0.0848   -0.0000
   380        0.5267             nan     0.0848   -0.0000
   400        0.5267             nan     0.0848   -0.0000
   420        0.5266             nan     0.0848   -0.0000
   440        0.5266             nan     0.0848   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5309             nan     0.0859    0.0001
     2        0.5306             nan     0.0859    0.0001
     3        0.5303             nan     0.0859    0.0001
     4        0.5301             nan     0.0859    0.0001
     5        0.5298             nan     0.0859    0.0001
     6        0.5296             nan     0.0859    0.0001
     7        0.5295             nan     0.0859    0.0000
     8        0.5292             nan     0.0859    0.0001
     9        0.5290             nan     0.0859    0.0000
    10        0.5289             nan     0.0859    0.0000
    20        0.5282             nan     0.0859   -0.0002
    40        0.5269             nan     0.0859   -0.0000
    60        0.5259             nan     0.0859    0.0000
    80        0.5250             nan     0.0859   -0.0003
   100        0.5240             nan     0.0859   -0.0000
   120        0.5234             nan     0.0859   -0.0000
   140        0.5231             nan     0.0859   -0.0001
   160        0.5225             nan     0.0859   -0.0005
   180        0.5220             nan     0.0859   -0.0000
   200        0.5211             nan     0.0859   -0.0000
   220        0.5203             nan     0.0859   -0.0001
   240        0.5196             nan     0.0859   -0.0000
   260        0.5192             nan     0.0859   -0.0000
   280        0.5186             nan     0.0859   -0.0000
   300        0.5185             nan     0.0859   -0.0000
   320        0.5177             nan     0.0859   -0.0000
   340        0.5172             nan     0.0859   -0.0000
   360        0.5166             nan     0.0859   -0.0000
   380        0.5161             nan     0.0859   -0.0000
   400        0.5156             nan     0.0859   -0.0001
   420        0.5151             nan     0.0859   -0.0000
   440        0.5147             nan     0.0859   -0.0000
   460        0.5142             nan     0.0859    0.0000
   480        0.5136             nan     0.0859    0.0000
   500        0.5133             nan     0.0859   -0.0000
   520        0.5127             nan     0.0859   -0.0000
   540        0.5121             nan     0.0859   -0.0000
   560        0.5116             nan     0.0859   -0.0000
   580        0.5113             nan     0.0859   -0.0000
   600        0.5108             nan     0.0859   -0.0000
   620        0.5103             nan     0.0859   -0.0000
   640        0.5099             nan     0.0859   -0.0001
   660        0.5094             nan     0.0859   -0.0000
   680        0.5088             nan     0.0859   -0.0000
   700        0.5084             nan     0.0859   -0.0000
   720        0.5078             nan     0.0859   -0.0000
   740        0.5074             nan     0.0859   -0.0000
   760        0.5071             nan     0.0859   -0.0000
   780        0.5068             nan     0.0859   -0.0000
   800        0.5064             nan     0.0859   -0.0000
   820        0.5061             nan     0.0859   -0.0001
   840        0.5057             nan     0.0859   -0.0000
   860        0.5053             nan     0.0859   -0.0000
   880        0.5048             nan     0.0859   -0.0000
   900        0.5046             nan     0.0859   -0.0003
   920        0.5040             nan     0.0859   -0.0000
   940        0.5036             nan     0.0859   -0.0001
   941        0.5035             nan     0.0859   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5310             nan     0.0877    0.0001
     2        0.5307             nan     0.0877    0.0001
     3        0.5305             nan     0.0877    0.0001
     4        0.5305             nan     0.0877   -0.0000
     5        0.5303             nan     0.0877    0.0000
     6        0.5301             nan     0.0877    0.0001
     7        0.5300             nan     0.0877    0.0000
     8        0.5298             nan     0.0877    0.0000
     9        0.5297             nan     0.0877    0.0000
    10        0.5296             nan     0.0877    0.0000
    20        0.5288             nan     0.0877    0.0000
    40        0.5276             nan     0.0877    0.0000
    60        0.5269             nan     0.0877   -0.0000
    80        0.5265             nan     0.0877   -0.0000
   100        0.5259             nan     0.0877    0.0000
   120        0.5253             nan     0.0877   -0.0000
   140        0.5247             nan     0.0877   -0.0000
   160        0.5243             nan     0.0877   -0.0000
   180        0.5240             nan     0.0877   -0.0000
   191        0.5237             nan     0.0877   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5310             nan     0.0918    0.0001
     2        0.5306             nan     0.0918    0.0001
     3        0.5303             nan     0.0918    0.0001
     4        0.5299             nan     0.0918    0.0000
     5        0.5298             nan     0.0918   -0.0000
     6        0.5296             nan     0.0918    0.0000
     7        0.5293             nan     0.0918    0.0001
     8        0.5290             nan     0.0918    0.0001
     9        0.5288             nan     0.0918    0.0000
    10        0.5285             nan     0.0918    0.0001
    20        0.5268             nan     0.0918   -0.0000
    40        0.5250             nan     0.0918   -0.0000
    60        0.5236             nan     0.0918   -0.0000
    80        0.5226             nan     0.0918   -0.0000
   100        0.5214             nan     0.0918   -0.0001
   120        0.5202             nan     0.0918   -0.0001
   140        0.5189             nan     0.0918   -0.0001
   160        0.5182             nan     0.0918    0.0000
   180        0.5170             nan     0.0918   -0.0000
   200        0.5162             nan     0.0918   -0.0000
   220        0.5152             nan     0.0918   -0.0001
   240        0.5143             nan     0.0918   -0.0000
   260        0.5136             nan     0.0918   -0.0000
   280        0.5126             nan     0.0918   -0.0001
   300        0.5122             nan     0.0918   -0.0000
   320        0.5117             nan     0.0918   -0.0001
   340        0.5107             nan     0.0918   -0.0000
   360        0.5103             nan     0.0918   -0.0000
   380        0.5095             nan     0.0918   -0.0000
   389        0.5092             nan     0.0918   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5309             nan     0.0936    0.0001
     2        0.5308             nan     0.0936    0.0000
     3        0.5305             nan     0.0936    0.0001
     4        0.5304             nan     0.0936    0.0001
     5        0.5302             nan     0.0936    0.0001
     6        0.5300             nan     0.0936    0.0001
     7        0.5299             nan     0.0936    0.0000
     8        0.5298             nan     0.0936    0.0000
     9        0.5296             nan     0.0936    0.0001
    10        0.5294             nan     0.0936    0.0000
    20        0.5284             nan     0.0936   -0.0000
    40        0.5274             nan     0.0936   -0.0000
    60        0.5268             nan     0.0936   -0.0000
    80        0.5263             nan     0.0936   -0.0000
   100        0.5263             nan     0.0936   -0.0000
   120        0.5259             nan     0.0936   -0.0000
   140        0.5254             nan     0.0936   -0.0000
   160        0.5251             nan     0.0936   -0.0000
   180        0.5249             nan     0.0936   -0.0000
   200        0.5245             nan     0.0936   -0.0000
   220        0.5242             nan     0.0936   -0.0000
   240        0.5241             nan     0.0936   -0.0000
   260        0.5238             nan     0.0936   -0.0000
   280        0.5235             nan     0.0936   -0.0000
   300        0.5230             nan     0.0936   -0.0001
   320        0.5228             nan     0.0936   -0.0000
   340        0.5225             nan     0.0936   -0.0000
   360        0.5224             nan     0.0936   -0.0000
   380        0.5220             nan     0.0936   -0.0000
   400        0.5217             nan     0.0936   -0.0001
   420        0.5214             nan     0.0936   -0.0000
   440        0.5212             nan     0.0936    0.0000
   460        0.5210             nan     0.0936   -0.0001
   480        0.5208             nan     0.0936   -0.0000
   500        0.5205             nan     0.0936   -0.0000
   520        0.5203             nan     0.0936   -0.0000
   540        0.5200             nan     0.0936   -0.0000
   560        0.5200             nan     0.0936   -0.0000
   580        0.5198             nan     0.0936   -0.0000
   600        0.5196             nan     0.0936   -0.0000
   620        0.5193             nan     0.0936   -0.0000
   640        0.5190             nan     0.0936   -0.0000
   660        0.5188             nan     0.0936   -0.0000
   680        0.5186             nan     0.0936   -0.0000
   700        0.5184             nan     0.0936   -0.0000
   720        0.5183             nan     0.0936   -0.0000
   733        0.5182             nan     0.0936   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5309             nan     0.0945    0.0001
     2        0.5305             nan     0.0945    0.0001
     3        0.5301             nan     0.0945    0.0001
     4        0.5296             nan     0.0945    0.0001
     5        0.5293             nan     0.0945    0.0001
     6        0.5291             nan     0.0945    0.0001
     7        0.5289             nan     0.0945    0.0000
     8        0.5287             nan     0.0945    0.0000
     9        0.5285             nan     0.0945   -0.0000
    10        0.5283             nan     0.0945    0.0000
    20        0.5266             nan     0.0945    0.0000
    40        0.5246             nan     0.0945   -0.0000
    60        0.5236             nan     0.0945   -0.0004
    80        0.5232             nan     0.0945   -0.0003
   100        0.5216             nan     0.0945   -0.0000
   120        0.5202             nan     0.0945   -0.0000
   140        0.5188             nan     0.0945   -0.0000
   160        0.5178             nan     0.0945   -0.0001
   180        0.5166             nan     0.0945   -0.0000
   200        0.5158             nan     0.0945   -0.0000
   220        0.5148             nan     0.0945   -0.0001
   240        0.5140             nan     0.0945   -0.0001
   256        0.5133             nan     0.0945   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5311             nan     0.0993    0.0001
     2        0.5309             nan     0.0993    0.0001
     3        0.5307             nan     0.0993    0.0001
     4        0.5305             nan     0.0993    0.0001
     5        0.5304             nan     0.0993    0.0001
     6        0.5303             nan     0.0993    0.0000
     7        0.5302             nan     0.0993    0.0001
     8        0.5301             nan     0.0993    0.0000
     9        0.5300             nan     0.0993    0.0000
    10        0.5299             nan     0.0993    0.0000
    20        0.5292             nan     0.0993   -0.0000
    40        0.5285             nan     0.0993   -0.0000
    60        0.5281             nan     0.0993   -0.0000
    80        0.5278             nan     0.0993   -0.0000
   100        0.5277             nan     0.0993   -0.0000
   120        0.5276             nan     0.0993   -0.0000
   140        0.5274             nan     0.0993   -0.0000
   160        0.5273             nan     0.0993   -0.0000
   180        0.5272             nan     0.0993   -0.0000
   200        0.5271             nan     0.0993   -0.0000
   220        0.5273             nan     0.0993   -0.0005
   240        0.5270             nan     0.0993    0.0000
   260        0.5269             nan     0.0993   -0.0000
   280        0.5268             nan     0.0993   -0.0000
   300        0.5268             nan     0.0993   -0.0000
   320        0.5267             nan     0.0993   -0.0000
   340        0.5268             nan     0.0993   -0.0000
   360        0.5267             nan     0.0993   -0.0000
   380        0.5266             nan     0.0993   -0.0000
   400        0.5265             nan     0.0993   -0.0000
   420        0.5265             nan     0.0993   -0.0000
   440        0.5264             nan     0.0993   -0.0000
   460        0.5264             nan     0.0993   -0.0000
   480        0.5263             nan     0.0993   -0.0000
   500        0.5263             nan     0.0993   -0.0000
   520        0.5262             nan     0.0993   -0.0000
   540        0.5262             nan     0.0993   -0.0000
   560        0.5261             nan     0.0993   -0.0000
   580        0.5261             nan     0.0993   -0.0000
   600        0.5261             nan     0.0993   -0.0000
   620        0.5260             nan     0.0993   -0.0000
   640        0.5259             nan     0.0993   -0.0000
   660        0.5259             nan     0.0993   -0.0000
   680        0.5260             nan     0.0993   -0.0000
   700        0.5259             nan     0.0993   -0.0000
   720        0.5258             nan     0.0993   -0.0000
   740        0.5258             nan     0.0993   -0.0000
   760        0.5257             nan     0.0993   -0.0000
   780        0.5257             nan     0.0993   -0.0000
   800        0.5257             nan     0.0993   -0.0000
   820        0.5256             nan     0.0993   -0.0000
   840        0.5256             nan     0.0993   -0.0000
   860        0.5255             nan     0.0993   -0.0000
   869        0.5255             nan     0.0993   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5309             nan     0.0994    0.0001
     2        0.5304             nan     0.0994    0.0002
     3        0.5301             nan     0.0994    0.0001
     4        0.5300             nan     0.0994    0.0000
     5        0.5298             nan     0.0994   -0.0000
     6        0.5296             nan     0.0994    0.0000
     7        0.5295             nan     0.0994    0.0000
     8        0.5292             nan     0.0994    0.0001
     9        0.5290             nan     0.0994    0.0000
    10        0.5288             nan     0.0994   -0.0001
    20        0.5278             nan     0.0994   -0.0000
    40        0.5266             nan     0.0994   -0.0000
    60        0.5257             nan     0.0994   -0.0000
    80        0.5248             nan     0.0994   -0.0000
   100        0.5240             nan     0.0994   -0.0001
   120        0.5234             nan     0.0994   -0.0000
   140        0.5230             nan     0.0994   -0.0000
   160        0.5224             nan     0.0994   -0.0000
   180        0.5223             nan     0.0994   -0.0006
   200        0.5214             nan     0.0994   -0.0000
   220        0.5208             nan     0.0994   -0.0000
   240        0.5204             nan     0.0994   -0.0000
   260        0.5198             nan     0.0994   -0.0000
   280        0.5194             nan     0.0994   -0.0000
   300        0.5190             nan     0.0994   -0.0001
   320        0.5185             nan     0.0994   -0.0000
   340        0.5181             nan     0.0994   -0.0000
   360        0.5177             nan     0.0994   -0.0001
   380        0.5173             nan     0.0994   -0.0000
   400        0.5168             nan     0.0994   -0.0001
   420        0.5168             nan     0.0994   -0.0001
   440        0.5163             nan     0.0994   -0.0000
   460        0.5157             nan     0.0994   -0.0001
   480        0.5156             nan     0.0994   -0.0000
   500        0.5150             nan     0.0994   -0.0000
   520        0.5147             nan     0.0994   -0.0000
   540        0.5148             nan     0.0994   -0.0001
   560        0.5144             nan     0.0994   -0.0001
   580        0.5140             nan     0.0994   -0.0001
   600        0.5137             nan     0.0994   -0.0000
   620        0.5133             nan     0.0994   -0.0001
   640        0.5131             nan     0.0994   -0.0001
   660        0.5128             nan     0.0994   -0.0001
   680        0.5125             nan     0.0994   -0.0000
   696        0.5123             nan     0.0994   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5308             nan     0.1004    0.0001
     2        0.5304             nan     0.1004    0.0000
     3        0.5302             nan     0.1004    0.0001
     4        0.5298             nan     0.1004    0.0001
     5        0.5295             nan     0.1004    0.0000
     6        0.5293             nan     0.1004    0.0001
     7        0.5291             nan     0.1004    0.0000
     8        0.5289             nan     0.1004   -0.0000
     9        0.5287             nan     0.1004    0.0000
    10        0.5286             nan     0.1004   -0.0000
    20        0.5273             nan     0.1004   -0.0000
    40        0.5258             nan     0.1004   -0.0001
    60        0.5246             nan     0.1004   -0.0000
    80        0.5236             nan     0.1004   -0.0000
   100        0.5225             nan     0.1004   -0.0001
   120        0.5215             nan     0.1004   -0.0000
   140        0.5207             nan     0.1004   -0.0001
   160        0.5198             nan     0.1004   -0.0001
   180        0.5195             nan     0.1004   -0.0000
   200        0.5186             nan     0.1004   -0.0001
   220        0.5178             nan     0.1004   -0.0001
   240        0.5170             nan     0.1004   -0.0000
   260        0.5163             nan     0.1004   -0.0000
   280        0.5156             nan     0.1004   -0.0000
   300        0.5151             nan     0.1004   -0.0001
   320        0.5146             nan     0.1004   -0.0000
   340        0.5141             nan     0.1004   -0.0000
   360        0.5136             nan     0.1004   -0.0000
   380        0.5132             nan     0.1004   -0.0000
   400        0.5125             nan     0.1004   -0.0000
   420        0.5120             nan     0.1004   -0.0001
   440        0.5114             nan     0.1004   -0.0001
   460        0.5113             nan     0.1004   -0.0000
   480        0.5108             nan     0.1004   -0.0000
   500        0.5102             nan     0.1004   -0.0001
   520        0.5097             nan     0.1004   -0.0001
   540        0.5092             nan     0.1004   -0.0001
   560        0.5088             nan     0.1004   -0.0000
   580        0.5083             nan     0.1004   -0.0001
   600        0.5080             nan     0.1004   -0.0001
   620        0.5075             nan     0.1004   -0.0001
   640        0.5073             nan     0.1004   -0.0002
   660        0.5069             nan     0.1004   -0.0001
   680        0.5065             nan     0.1004   -0.0001
   700        0.5061             nan     0.1004   -0.0001
   720        0.5058             nan     0.1004   -0.0001
   740        0.5054             nan     0.1004   -0.0001
   760        0.5050             nan     0.1004   -0.0001
   780        0.5047             nan     0.1004   -0.0001
   787        0.5045             nan     0.1004   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5307             nan     0.1013    0.0002
     2        0.5303             nan     0.1013    0.0001
     3        0.5300             nan     0.1013    0.0000
     4        0.5299             nan     0.1013    0.0000
     5        0.5296             nan     0.1013    0.0001
     6        0.5293             nan     0.1013    0.0001
     7        0.5291             nan     0.1013    0.0001
     8        0.5288             nan     0.1013    0.0001
     9        0.5287             nan     0.1013   -0.0000
    10        0.5285             nan     0.1013    0.0000
    20        0.5270             nan     0.1013   -0.0000
    40        0.5258             nan     0.1013   -0.0000
    60        0.5243             nan     0.1013   -0.0001
    80        0.5232             nan     0.1013   -0.0001
   100        0.5222             nan     0.1013   -0.0000
   120        0.5212             nan     0.1013   -0.0000
   140        0.5205             nan     0.1013   -0.0000
   160        0.5196             nan     0.1013   -0.0001
   180        0.5190             nan     0.1013   -0.0001
   200        0.5182             nan     0.1013   -0.0000
   220        0.5174             nan     0.1013   -0.0001
   240        0.5166             nan     0.1013   -0.0000
   260        0.5159             nan     0.1013   -0.0001
   280        0.5154             nan     0.1013   -0.0001
   300        0.5149             nan     0.1013   -0.0001
   320        0.5143             nan     0.1013   -0.0001
   340        0.5136             nan     0.1013   -0.0000
   360        0.5130             nan     0.1013   -0.0001
   380        0.5124             nan     0.1013   -0.0000
   400        0.5120             nan     0.1013   -0.0001
   420        0.5115             nan     0.1013   -0.0000
   440        0.5111             nan     0.1013   -0.0001
   460        0.5106             nan     0.1013   -0.0001
   480        0.5106             nan     0.1013   -0.0000
   500        0.5100             nan     0.1013   -0.0000
   520        0.5096             nan     0.1013   -0.0001
   540        0.5091             nan     0.1013   -0.0000
   560        0.5086             nan     0.1013   -0.0001
   580        0.5083             nan     0.1013   -0.0001
   600        0.5078             nan     0.1013   -0.0001
   601        0.5078             nan     0.1013   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5307             nan     0.1019    0.0001
     2        0.5304             nan     0.1019    0.0001
     3        0.5301             nan     0.1019    0.0000
     4        0.5298             nan     0.1019    0.0000
     5        0.5295             nan     0.1019   -0.0000
     6        0.5291             nan     0.1019    0.0001
     7        0.5289             nan     0.1019    0.0000
     8        0.5287             nan     0.1019    0.0000
     9        0.5285             nan     0.1019   -0.0000
    10        0.5283             nan     0.1019    0.0000
    20        0.5268             nan     0.1019   -0.0001
    40        0.5249             nan     0.1019   -0.0001
    60        0.5235             nan     0.1019   -0.0001
    80        0.5223             nan     0.1019   -0.0000
   100        0.5213             nan     0.1019   -0.0001
   120        0.5203             nan     0.1019   -0.0001
   140        0.5196             nan     0.1019   -0.0000
   160        0.5186             nan     0.1019   -0.0000
   180        0.5174             nan     0.1019   -0.0001
   200        0.5165             nan     0.1019   -0.0000
   220        0.5156             nan     0.1019   -0.0000
   240        0.5148             nan     0.1019   -0.0001
   260        0.5140             nan     0.1019   -0.0001
   280        0.5132             nan     0.1019   -0.0001
   300        0.5123             nan     0.1019   -0.0000
   320        0.5115             nan     0.1019   -0.0001
   340        0.5110             nan     0.1019   -0.0000
   360        0.5103             nan     0.1019   -0.0001
   380        0.5104             nan     0.1019   -0.0001
   400        0.5096             nan     0.1019   -0.0001
   420        0.5089             nan     0.1019   -0.0001
   440        0.5082             nan     0.1019   -0.0001
   460        0.5076             nan     0.1019   -0.0001
   480        0.5070             nan     0.1019   -0.0001
   500        0.5066             nan     0.1019   -0.0001
   520        0.5060             nan     0.1019   -0.0001
   540        0.5054             nan     0.1019   -0.0001
   560        0.5048             nan     0.1019   -0.0001
   580        0.5045             nan     0.1019   -0.0001
   600        0.5039             nan     0.1019   -0.0001
   620        0.5035             nan     0.1019   -0.0001
   640        0.5030             nan     0.1019   -0.0001
   645        0.5029             nan     0.1019   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5308             nan     0.1032    0.0002
     2        0.5303             nan     0.1032    0.0002
     3        0.5300             nan     0.1032    0.0001
     4        0.5298             nan     0.1032    0.0000
     5        0.5294             nan     0.1032    0.0001
     6        0.5292             nan     0.1032    0.0000
     7        0.5290             nan     0.1032   -0.0000
     8        0.5289             nan     0.1032   -0.0000
     9        0.5287             nan     0.1032    0.0000
    10        0.5286             nan     0.1032    0.0000
    20        0.5275             nan     0.1032   -0.0000
    40        0.5262             nan     0.1032   -0.0002
    60        0.5251             nan     0.1032   -0.0000
    80        0.5237             nan     0.1032   -0.0001
   100        0.5230             nan     0.1032   -0.0002

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5306             nan     0.1044    0.0002
     2        0.5302             nan     0.1044    0.0001
     3        0.5299             nan     0.1044    0.0001
     4        0.5297             nan     0.1044   -0.0002
     5        0.5294             nan     0.1044    0.0000
     6        0.5291             nan     0.1044    0.0000
     7        0.5290             nan     0.1044    0.0000
     8        0.5287             nan     0.1044   -0.0001
     9        0.5284             nan     0.1044    0.0000
    10        0.5283             nan     0.1044   -0.0000
    20        0.5267             nan     0.1044   -0.0000
    40        0.5254             nan     0.1044   -0.0001
    60        0.5244             nan     0.1044   -0.0000
    80        0.5231             nan     0.1044   -0.0000
   100        0.5216             nan     0.1044   -0.0000
   120        0.5203             nan     0.1044   -0.0001
   140        0.5191             nan     0.1044   -0.0001
   160        0.5190             nan     0.1044   -0.0000
   180        0.5180             nan     0.1044   -0.0001
   200        0.5170             nan     0.1044   -0.0001
   220        0.5158             nan     0.1044   -0.0000
   240        0.5149             nan     0.1044   -0.0001
   260        0.5153             nan     0.1044   -0.0001
   280        0.5141             nan     0.1044   -0.0001
   300        0.5139             nan     0.1044   -0.0001
   320        0.5129             nan     0.1044   -0.0000
   340        0.5122             nan     0.1044   -0.0000
   360        0.5111             nan     0.1044   -0.0000
   380        0.5103             nan     0.1044   -0.0000
   400        0.5095             nan     0.1044   -0.0000
   420        0.5086             nan     0.1044   -0.0000
   440        0.5085             nan     0.1044   -0.0001
   460        0.5076             nan     0.1044   -0.0001
   480        0.5065             nan     0.1044   -0.0001
   500        0.5059             nan     0.1044   -0.0001
   520        0.5049             nan     0.1044   -0.0000
   540        0.5044             nan     0.1044   -0.0002
   560        0.5033             nan     0.1044   -0.0001
   580        0.5027             nan     0.1044   -0.0000
   600        0.5019             nan     0.1044   -0.0001
   620        0.5015             nan     0.1044   -0.0004
   640        0.5006             nan     0.1044   -0.0000
   660        0.5007             nan     0.1044   -0.0001
   680        0.5000             nan     0.1044   -0.0000
   700        0.4993             nan     0.1044   -0.0001
   720        0.4988             nan     0.1044   -0.0001
   740        0.4985             nan     0.1044   -0.0001
   760        0.4977             nan     0.1044   -0.0001
   764        0.4975             nan     0.1044   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5310             nan     0.1045    0.0001
     2        0.5308             nan     0.1045    0.0001
     3        0.5306             nan     0.1045    0.0000
     4        0.5305             nan     0.1045    0.0000
     5        0.5303             nan     0.1045    0.0001
     6        0.5302             nan     0.1045    0.0000
     7        0.5300             nan     0.1045    0.0000
     8        0.5300             nan     0.1045    0.0000
     9        0.5299             nan     0.1045    0.0000
    10        0.5298             nan     0.1045   -0.0000
    20        0.5291             nan     0.1045   -0.0000
    40        0.5284             nan     0.1045   -0.0000
    60        0.5281             nan     0.1045   -0.0000
    80        0.5279             nan     0.1045   -0.0000
   100        0.5276             nan     0.1045   -0.0000
   120        0.5276             nan     0.1045   -0.0000
   140        0.5274             nan     0.1045   -0.0000
   160        0.5274             nan     0.1045   -0.0000
   179        0.5274             nan     0.1045   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5308             nan     0.1147    0.0001
     2        0.5303             nan     0.1147    0.0000
     3        0.5301             nan     0.1147    0.0001
     4        0.5298             nan     0.1147    0.0001
     5        0.5295             nan     0.1147    0.0000
     6        0.5293             nan     0.1147    0.0000
     7        0.5292             nan     0.1147   -0.0000
     8        0.5290             nan     0.1147   -0.0001
     9        0.5285             nan     0.1147    0.0002
    10        0.5284             nan     0.1147   -0.0000
    20        0.5270             nan     0.1147   -0.0000
    40        0.5251             nan     0.1147   -0.0000
    60        0.5236             nan     0.1147   -0.0001
    80        0.5226             nan     0.1147   -0.0000
   100        0.5214             nan     0.1147   -0.0000
   120        0.5212             nan     0.1147   -0.0000
   140        0.5196             nan     0.1147   -0.0000
   160        0.5185             nan     0.1147   -0.0001
   180        0.5175             nan     0.1147   -0.0000
   200        0.5166             nan     0.1147   -0.0003
   220        0.5159             nan     0.1147    0.0000
   240        0.5150             nan     0.1147   -0.0003
   260        0.5147             nan     0.1147   -0.0006
   280        0.5136             nan     0.1147   -0.0001
   300        0.5130             nan     0.1147   -0.0001
   320        0.5121             nan     0.1147   -0.0001
   340        0.5111             nan     0.1147   -0.0001
   360        0.5107             nan     0.1147   -0.0000
   380        0.5103             nan     0.1147   -0.0000
   400        0.5093             nan     0.1147   -0.0000
   420        0.5091             nan     0.1147   -0.0000
   440        0.5082             nan     0.1147   -0.0001
   460        0.5073             nan     0.1147   -0.0000
   480        0.5067             nan     0.1147   -0.0001
   500        0.5059             nan     0.1147   -0.0001
   520        0.5051             nan     0.1147   -0.0000
   540        0.5044             nan     0.1147   -0.0002
   560        0.5043             nan     0.1147   -0.0000
   580        0.5039             nan     0.1147   -0.0001
   600        0.5032             nan     0.1147   -0.0001
   620        0.5027             nan     0.1147   -0.0000
   640        0.5023             nan     0.1147   -0.0001
   660        0.5027             nan     0.1147   -0.0001
   680        0.5025             nan     0.1147   -0.0001
   700        0.5020             nan     0.1147   -0.0000
   720        0.5023             nan     0.1147   -0.0001
   740        0.5014             nan     0.1147   -0.0000
   756        0.5008             nan     0.1147   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5307             nan     0.1164    0.0002
     2        0.5303             nan     0.1164    0.0002
     3        0.5300             nan     0.1164    0.0001
     4        0.5298             nan     0.1164    0.0001
     5        0.5295             nan     0.1164    0.0000
     6        0.5294             nan     0.1164   -0.0000
     7        0.5292             nan     0.1164   -0.0000
     8        0.5291             nan     0.1164    0.0000
     9        0.5290             nan     0.1164   -0.0000
    10        0.5288             nan     0.1164   -0.0000
    20        0.5276             nan     0.1164   -0.0000
    40        0.5264             nan     0.1164   -0.0001
    60        0.5258             nan     0.1164   -0.0001
    80        0.5248             nan     0.1164   -0.0000
   100        0.5238             nan     0.1164   -0.0000
   120        0.5231             nan     0.1164   -0.0000
   140        0.5224             nan     0.1164   -0.0000
   160        0.5218             nan     0.1164   -0.0001
   180        0.5211             nan     0.1164   -0.0000
   200        0.5206             nan     0.1164   -0.0000
   220        0.5201             nan     0.1164   -0.0001
   240        0.5196             nan     0.1164   -0.0001
   260        0.5191             nan     0.1164   -0.0001
   280        0.5185             nan     0.1164   -0.0000
   300        0.5182             nan     0.1164   -0.0001
   320        0.5182             nan     0.1164   -0.0000
   340        0.5176             nan     0.1164   -0.0001
   360        0.5171             nan     0.1164   -0.0001
   380        0.5166             nan     0.1164   -0.0001
   400        0.5162             nan     0.1164   -0.0001
   420        0.5158             nan     0.1164   -0.0001
   440        0.5155             nan     0.1164   -0.0001
   460        0.5151             nan     0.1164   -0.0001
   480        0.5147             nan     0.1164   -0.0001
   500        0.5144             nan     0.1164   -0.0001
   520        0.5141             nan     0.1164   -0.0000
   540        0.5138             nan     0.1164   -0.0000
   560        0.5135             nan     0.1164   -0.0001
   580        0.5131             nan     0.1164   -0.0001
   600        0.5128             nan     0.1164   -0.0001
   620        0.5123             nan     0.1164   -0.0001
   640        0.5120             nan     0.1164   -0.0001
   660        0.5116             nan     0.1164   -0.0001
   680        0.5113             nan     0.1164   -0.0000
   700        0.5110             nan     0.1164   -0.0001
   720        0.5107             nan     0.1164   -0.0001
   740        0.5104             nan     0.1164   -0.0001
   760        0.5100             nan     0.1164   -0.0001
   780        0.5098             nan     0.1164   -0.0001
   800        0.5094             nan     0.1164   -0.0000
   820        0.5091             nan     0.1164   -0.0001
   840        0.5088             nan     0.1164   -0.0000
   860        0.5086             nan     0.1164   -0.0001
   880        0.5083             nan     0.1164   -0.0000
   900        0.5082             nan     0.1164   -0.0001
   920        0.5080             nan     0.1164   -0.0000
   938        0.5078             nan     0.1164   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5309             nan     0.1195    0.0001
     2        0.5306             nan     0.1195    0.0001
     3        0.5304             nan     0.1195    0.0000
     4        0.5302             nan     0.1195    0.0001
     5        0.5298             nan     0.1195    0.0001
     6        0.5298             nan     0.1195   -0.0000
     7        0.5296             nan     0.1195    0.0000
     8        0.5294             nan     0.1195    0.0000
     9        0.5292             nan     0.1195    0.0000
    10        0.5291             nan     0.1195   -0.0000
    20        0.5282             nan     0.1195   -0.0000
    40        0.5271             nan     0.1195   -0.0000
    60        0.5263             nan     0.1195   -0.0000
    80        0.5257             nan     0.1195   -0.0000
   100        0.5252             nan     0.1195   -0.0000
   120        0.5248             nan     0.1195   -0.0001
   140        0.5252             nan     0.1195   -0.0006
   160        0.5246             nan     0.1195   -0.0000
   180        0.5240             nan     0.1195   -0.0000
   200        0.5235             nan     0.1195   -0.0001
   220        0.5231             nan     0.1195   -0.0001
   240        0.5227             nan     0.1195   -0.0001
   260        0.5226             nan     0.1195   -0.0000
   280        0.5222             nan     0.1195   -0.0000
   300        0.5217             nan     0.1195   -0.0000
   320        0.5213             nan     0.1195   -0.0000
   340        0.5212             nan     0.1195   -0.0000
   358        0.5213             nan     0.1195    0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5308             nan     0.1204    0.0002
     2        0.5305             nan     0.1204    0.0001
     3        0.5300             nan     0.1204    0.0001
     4        0.5297             nan     0.1204    0.0001
     5        0.5295             nan     0.1204    0.0001
     6        0.5292             nan     0.1204    0.0001
     7        0.5290             nan     0.1204   -0.0000
     8        0.5288             nan     0.1204    0.0000
     9        0.5286             nan     0.1204    0.0000
    10        0.5285             nan     0.1204    0.0000
    20        0.5277             nan     0.1204   -0.0001
    40        0.5263             nan     0.1204   -0.0001
    60        0.5256             nan     0.1204   -0.0001
    80        0.5245             nan     0.1204   -0.0000
   100        0.5235             nan     0.1204   -0.0000
   120        0.5227             nan     0.1204   -0.0000
   140        0.5219             nan     0.1204   -0.0000
   160        0.5213             nan     0.1204   -0.0000
   180        0.5207             nan     0.1204   -0.0000
   200        0.5201             nan     0.1204   -0.0002
   220        0.5194             nan     0.1204   -0.0001
   240        0.5186             nan     0.1204   -0.0000
   260        0.5182             nan     0.1204   -0.0001
   280        0.5176             nan     0.1204   -0.0001
   300        0.5169             nan     0.1204   -0.0001
   320        0.5164             nan     0.1204   -0.0000
   340        0.5159             nan     0.1204   -0.0000
   360        0.5156             nan     0.1204   -0.0000
   380        0.5149             nan     0.1204   -0.0000
   400        0.5146             nan     0.1204   -0.0001
   420        0.5142             nan     0.1204   -0.0001
   440        0.5137             nan     0.1204   -0.0001
   460        0.5131             nan     0.1204   -0.0001
   480        0.5130             nan     0.1204   -0.0001
   500        0.5123             nan     0.1204   -0.0000
   520        0.5120             nan     0.1204   -0.0001
   540        0.5118             nan     0.1204   -0.0001
   560        0.5118             nan     0.1204   -0.0001
   580        0.5114             nan     0.1204   -0.0000
   600        0.5110             nan     0.1204   -0.0001
   620        0.5109             nan     0.1204   -0.0000
   640        0.5105             nan     0.1204    0.0000
   660        0.5100             nan     0.1204   -0.0000
   680        0.5100             nan     0.1204   -0.0000
   700        0.5094             nan     0.1204   -0.0000
   720        0.5090             nan     0.1204   -0.0000
   740        0.5087             nan     0.1204   -0.0001
   760        0.5085             nan     0.1204   -0.0001
   780        0.5083             nan     0.1204   -0.0001
   800        0.5082             nan     0.1204   -0.0001
   820        0.5077             nan     0.1204   -0.0001
   840        0.5074             nan     0.1204   -0.0001
   860        0.5074             nan     0.1204   -0.0001
   880        0.5070             nan     0.1204   -0.0001
   900        0.5068             nan     0.1204   -0.0000
   920        0.5065             nan     0.1204   -0.0001
   922        0.5066             nan     0.1204   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5310             nan     0.1207    0.0001
     2        0.5308             nan     0.1207    0.0001
     3        0.5307             nan     0.1207    0.0000
     4        0.5305             nan     0.1207    0.0001
     5        0.5303             nan     0.1207    0.0000
     6        0.5301             nan     0.1207    0.0001
     7        0.5300             nan     0.1207    0.0000
     8        0.5299             nan     0.1207    0.0000
     9        0.5297             nan     0.1207    0.0000
    10        0.5297             nan     0.1207   -0.0000
    20        0.5290             nan     0.1207   -0.0000
    40        0.5283             nan     0.1207   -0.0000
    60        0.5280             nan     0.1207   -0.0000
    80        0.5277             nan     0.1207   -0.0000
   100        0.5275             nan     0.1207   -0.0000
   120        0.5274             nan     0.1207   -0.0000
   140        0.5273             nan     0.1207   -0.0000
   160        0.5273             nan     0.1207   -0.0000
   180        0.5272             nan     0.1207   -0.0000
   200        0.5271             nan     0.1207   -0.0000
   220        0.5272             nan     0.1207   -0.0001
   221        0.5272             nan     0.1207   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5307             nan     0.1239    0.0001
     2        0.5305             nan     0.1239    0.0000
     3        0.5300             nan     0.1239    0.0002
     4        0.5296             nan     0.1239   -0.0001
     5        0.5293             nan     0.1239    0.0000
     6        0.5288             nan     0.1239    0.0001
     7        0.5287             nan     0.1239   -0.0000
     8        0.5284             nan     0.1239    0.0001
     9        0.5282             nan     0.1239    0.0000
    10        0.5282             nan     0.1239   -0.0001
    20        0.5270             nan     0.1239    0.0000
    40        0.5249             nan     0.1239   -0.0000
    60        0.5235             nan     0.1239    0.0000
    80        0.5220             nan     0.1239   -0.0001
   100        0.5209             nan     0.1239   -0.0000
   120        0.5199             nan     0.1239   -0.0003
   140        0.5184             nan     0.1239   -0.0002
   160        0.5181             nan     0.1239   -0.0001
   180        0.5169             nan     0.1239   -0.0000
   200        0.5165             nan     0.1239   -0.0001
   220        0.5152             nan     0.1239   -0.0000
   240        0.5145             nan     0.1239   -0.0001
   260        0.5140             nan     0.1239   -0.0001
   280        0.5131             nan     0.1239   -0.0000
   300        0.5128             nan     0.1239   -0.0001
   320        0.5119             nan     0.1239   -0.0002
   340        0.5112             nan     0.1239   -0.0001
   360        0.5108             nan     0.1239   -0.0000
   380        0.5110             nan     0.1239   -0.0001
   400        0.5100             nan     0.1239   -0.0001
   420        0.5095             nan     0.1239   -0.0000
   440        0.5085             nan     0.1239   -0.0001
   460        0.5078             nan     0.1239   -0.0000
   480        0.5083             nan     0.1239   -0.0005
   500        0.5074             nan     0.1239   -0.0000
   520        0.5068             nan     0.1239   -0.0001
   540        0.5062             nan     0.1239   -0.0000
   560        0.5057             nan     0.1239   -0.0001
   580        0.5054             nan     0.1239   -0.0001
   600        0.5047             nan     0.1239   -0.0001
   620        0.5039             nan     0.1239   -0.0001
   640        0.5035             nan     0.1239   -0.0001
   660        0.5034             nan     0.1239   -0.0001
   680        0.5035             nan     0.1239   -0.0000
   700        0.5029             nan     0.1239   -0.0002
   720        0.5023             nan     0.1239   -0.0001
   740        0.5015             nan     0.1239   -0.0001
   755        0.5009             nan     0.1239   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5310             nan     0.1270    0.0001
     2        0.5307             nan     0.1270    0.0001
     3        0.5306             nan     0.1270    0.0001
     4        0.5304             nan     0.1270   -0.0000
     5        0.5301             nan     0.1270    0.0001
     6        0.5300             nan     0.1270    0.0000
     7        0.5299             nan     0.1270   -0.0000
     8        0.5298             nan     0.1270   -0.0000
     9        0.5297             nan     0.1270    0.0000
    10        0.5296             nan     0.1270    0.0000
    20        0.5289             nan     0.1270   -0.0000
    40        0.5283             nan     0.1270   -0.0000
    60        0.5279             nan     0.1270   -0.0000
    80        0.5276             nan     0.1270   -0.0000
   100        0.5275             nan     0.1270   -0.0000
   120        0.5274             nan     0.1270   -0.0001
   140        0.5272             nan     0.1270   -0.0000
   160        0.5271             nan     0.1270   -0.0000
   180        0.5270             nan     0.1270   -0.0000
   200        0.5270             nan     0.1270   -0.0000
   220        0.5269             nan     0.1270   -0.0000
   240        0.5268             nan     0.1270   -0.0000
   260        0.5268             nan     0.1270   -0.0000
   280        0.5267             nan     0.1270   -0.0000
   300        0.5267             nan     0.1270   -0.0000
   320        0.5266             nan     0.1270   -0.0000
   340        0.5265             nan     0.1270   -0.0001
   360        0.5265             nan     0.1270   -0.0000
   380        0.5264             nan     0.1270   -0.0000
   400        0.5264             nan     0.1270   -0.0000
   420        0.5263             nan     0.1270   -0.0000
   440        0.5262             nan     0.1270   -0.0000
   460        0.5262             nan     0.1270   -0.0000
   479        0.5262             nan     0.1270   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5307             nan     0.1323    0.0002
     2        0.5302             nan     0.1323    0.0001
     3        0.5297             nan     0.1323    0.0001
     4        0.5293             nan     0.1323    0.0000
     5        0.5291             nan     0.1323    0.0000
     6        0.5289             nan     0.1323   -0.0001
     7        0.5287             nan     0.1323   -0.0000
     8        0.5285             nan     0.1323   -0.0000
     9        0.5284             nan     0.1323   -0.0000
    10        0.5282             nan     0.1323   -0.0000
    20        0.5267             nan     0.1323   -0.0001
    40        0.5248             nan     0.1323   -0.0001
    60        0.5236             nan     0.1323   -0.0001
    80        0.5229             nan     0.1323   -0.0000
   100        0.5215             nan     0.1323   -0.0002
   120        0.5208             nan     0.1323   -0.0001
   140        0.5195             nan     0.1323   -0.0000
   160        0.5185             nan     0.1323   -0.0001
   180        0.5180             nan     0.1323   -0.0000
   200        0.5170             nan     0.1323   -0.0000
   220        0.5158             nan     0.1323   -0.0001
   240        0.5151             nan     0.1323   -0.0001
   260        0.5140             nan     0.1323   -0.0001
   280        0.5137             nan     0.1323    0.0000
   300        0.5126             nan     0.1323   -0.0001
   320        0.5119             nan     0.1323   -0.0001
   340        0.5113             nan     0.1323   -0.0001
   360        0.5105             nan     0.1323   -0.0001
   380        0.5101             nan     0.1323   -0.0001
   400        0.5095             nan     0.1323   -0.0001
   420        0.5098             nan     0.1323   -0.0001
   440        0.5097             nan     0.1323   -0.0001
   460        0.5095             nan     0.1323   -0.0001
   480        0.5089             nan     0.1323   -0.0001
   500        0.5086             nan     0.1323   -0.0001
   520        0.5079             nan     0.1323   -0.0001
   540        0.5071             nan     0.1323   -0.0001
   558        0.5073             nan     0.1323   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5308             nan     0.1340    0.0001
     2        0.5301             nan     0.1340    0.0002
     3        0.5296             nan     0.1340    0.0001
     4        0.5293             nan     0.1340    0.0001
     5        0.5290             nan     0.1340    0.0000
     6        0.5288             nan     0.1340    0.0000
     7        0.5285             nan     0.1340   -0.0000
     8        0.5282             nan     0.1340    0.0000
     9        0.5280             nan     0.1340   -0.0001
    10        0.5278             nan     0.1340   -0.0001
    20        0.5278             nan     0.1340   -0.0000
    40        0.5246             nan     0.1340    0.0001
    60        0.5225             nan     0.1340   -0.0000
    80        0.5203             nan     0.1340   -0.0001
   100        0.5188             nan     0.1340   -0.0001
   120        0.5175             nan     0.1340   -0.0000
   140        0.5161             nan     0.1340   -0.0001
   160        0.5156             nan     0.1340   -0.0000
   180        0.5146             nan     0.1340   -0.0002
   200        0.5129             nan     0.1340   -0.0001
   220        0.5121             nan     0.1340   -0.0000
   240        0.5120             nan     0.1340   -0.0001
   260        0.5107             nan     0.1340   -0.0001
   280        0.5092             nan     0.1340   -0.0001
   300        0.5085             nan     0.1340   -0.0000
   320        0.5076             nan     0.1340   -0.0001
   340        0.5067             nan     0.1340   -0.0002
   360        0.5064             nan     0.1340   -0.0001
   380        0.5055             nan     0.1340   -0.0000
   400        0.5047             nan     0.1340   -0.0001
   420        0.5046             nan     0.1340   -0.0000
   440        0.5040             nan     0.1340   -0.0001
   460        0.5032             nan     0.1340    0.0000
   480        0.5031             nan     0.1340   -0.0005
   500        0.5020             nan     0.1340   -0.0001
   520        0.5005             nan     0.1340   -0.0001
   540        0.4990             nan     0.1340   -0.0000
   560        0.4977             nan     0.1340   -0.0001
   573        0.4973             nan     0.1340   -0.0003

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5310             nan     0.1341    0.0001
     2        0.5307             nan     0.1341    0.0001
     3        0.5305             nan     0.1341    0.0000
     4        0.5303             nan     0.1341    0.0001
     5        0.5302             nan     0.1341    0.0000
     6        0.5300             nan     0.1341    0.0000
     7        0.5299             nan     0.1341    0.0000
     8        0.5298             nan     0.1341   -0.0000
     9        0.5297             nan     0.1341    0.0000
    10        0.5297             nan     0.1341    0.0000
    20        0.5289             nan     0.1341    0.0000
    40        0.5282             nan     0.1341   -0.0000
    60        0.5278             nan     0.1341   -0.0000
    80        0.5278             nan     0.1341   -0.0000
   100        0.5276             nan     0.1341   -0.0000
   120        0.5275             nan     0.1341   -0.0000
   140        0.5274             nan     0.1341   -0.0000
   160        0.5273             nan     0.1341   -0.0001
   180        0.5271             nan     0.1341   -0.0000
   200        0.5271             nan     0.1341   -0.0000
   220        0.5270             nan     0.1341   -0.0000
   240        0.5273             nan     0.1341    0.0000
   260        0.5269             nan     0.1341   -0.0000
   280        0.5267             nan     0.1341   -0.0000
   300        0.5267             nan     0.1341   -0.0000
   320        0.5267             nan     0.1341   -0.0000
   340        0.5265             nan     0.1341   -0.0000
   360        0.5265             nan     0.1341   -0.0000
   380        0.5265             nan     0.1341   -0.0001
   388        0.5264             nan     0.1341   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5309             nan     0.1348    0.0001
     2        0.5307             nan     0.1348    0.0001
     3        0.5305             nan     0.1348    0.0000
     4        0.5304             nan     0.1348    0.0000
     5        0.5302             nan     0.1348    0.0001
     6        0.5301             nan     0.1348    0.0001
     7        0.5299             nan     0.1348    0.0000
     8        0.5298             nan     0.1348    0.0000
     9        0.5296             nan     0.1348    0.0001
    10        0.5296             nan     0.1348    0.0000
    20        0.5290             nan     0.1348   -0.0000
    40        0.5283             nan     0.1348   -0.0000
    60        0.5280             nan     0.1348   -0.0000
    80        0.5277             nan     0.1348   -0.0000
   100        0.5274             nan     0.1348   -0.0000
   120        0.5272             nan     0.1348   -0.0000
   140        0.5274             nan     0.1348   -0.0000
   160        0.5274             nan     0.1348   -0.0000
   172        0.5272             nan     0.1348   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5308             nan     0.1402    0.0001
     2        0.5302             nan     0.1402    0.0002
     3        0.5300             nan     0.1402    0.0000
     4        0.5297             nan     0.1402    0.0001
     5        0.5295             nan     0.1402    0.0000
     6        0.5293             nan     0.1402   -0.0000
     7        0.5290             nan     0.1402    0.0000
     8        0.5288             nan     0.1402   -0.0000
     9        0.5287             nan     0.1402   -0.0000
    10        0.5285             nan     0.1402   -0.0000
    20        0.5273             nan     0.1402   -0.0001
    40        0.5259             nan     0.1402   -0.0001
    60        0.5255             nan     0.1402   -0.0001
    80        0.5242             nan     0.1402   -0.0000
   100        0.5229             nan     0.1402   -0.0001
   120        0.5218             nan     0.1402    0.0000
   140        0.5206             nan     0.1402   -0.0001
   160        0.5210             nan     0.1402   -0.0000
   180        0.5195             nan     0.1402   -0.0001
   200        0.5191             nan     0.1402   -0.0000
   220        0.5182             nan     0.1402   -0.0000
   228        0.5183             nan     0.1402   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5309             nan     0.1450    0.0001
     2        0.5307             nan     0.1450    0.0001
     3        0.5305             nan     0.1450    0.0001
     4        0.5303             nan     0.1450    0.0000
     5        0.5301             nan     0.1450    0.0000
     6        0.5300             nan     0.1450    0.0000
     7        0.5299             nan     0.1450    0.0001
     8        0.5298             nan     0.1450   -0.0000
     9        0.5297             nan     0.1450    0.0001
    10        0.5296             nan     0.1450    0.0000
    20        0.5289             nan     0.1450    0.0000
    40        0.5282             nan     0.1450    0.0000
    60        0.5278             nan     0.1450   -0.0000
    80        0.5277             nan     0.1450   -0.0000
   100        0.5275             nan     0.1450   -0.0000
   120        0.5275             nan     0.1450    0.0000
   140        0.5273             nan     0.1450   -0.0001
   160        0.5272             nan     0.1450   -0.0001
   180        0.5271             nan     0.1450   -0.0000
   200        0.5270             nan     0.1450   -0.0000
   220        0.5269             nan     0.1450   -0.0000
   240        0.5268             nan     0.1450   -0.0000
   260        0.5267             nan     0.1450   -0.0000
   280        0.5266             nan     0.1450   -0.0000
   300        0.5266             nan     0.1450   -0.0000
   320        0.5265             nan     0.1450    0.0000
   340        0.5264             nan     0.1450   -0.0000
   360        0.5264             nan     0.1450   -0.0000
   380        0.5263             nan     0.1450   -0.0000
   400        0.5262             nan     0.1450   -0.0000
   420        0.5262             nan     0.1450   -0.0000
   440        0.5261             nan     0.1450   -0.0000
   456        0.5260             nan     0.1450   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5306             nan     0.1470    0.0002
     2        0.5300             nan     0.1470    0.0000
     3        0.5295             nan     0.1470    0.0001
     4        0.5291             nan     0.1470   -0.0000
     5        0.5287             nan     0.1470   -0.0000
     6        0.5284             nan     0.1470   -0.0000
     7        0.5281             nan     0.1470    0.0000
     8        0.5279             nan     0.1470   -0.0001
     9        0.5277             nan     0.1470   -0.0001
    10        0.5276             nan     0.1470   -0.0000
    20        0.5257             nan     0.1470   -0.0000
    40        0.5232             nan     0.1470   -0.0001
    60        0.5211             nan     0.1470   -0.0000
    80        0.5197             nan     0.1470   -0.0000
   100        0.5189             nan     0.1470   -0.0001
   119        0.5180             nan     0.1470   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5308             nan     0.1473    0.0002
     2        0.5305             nan     0.1473    0.0001
     3        0.5299             nan     0.1473    0.0002
     4        0.5297             nan     0.1473    0.0001
     5        0.5295             nan     0.1473    0.0000
     6        0.5293             nan     0.1473    0.0000
     7        0.5291             nan     0.1473    0.0000
     8        0.5290             nan     0.1473   -0.0000
     9        0.5289             nan     0.1473   -0.0000
    10        0.5288             nan     0.1473   -0.0000
    20        0.5279             nan     0.1473   -0.0000
    40        0.5272             nan     0.1473   -0.0000
    60        0.5261             nan     0.1473   -0.0000
    80        0.5258             nan     0.1473   -0.0000
   100        0.5252             nan     0.1473   -0.0001
   120        0.5249             nan     0.1473   -0.0000
   140        0.5245             nan     0.1473    0.0000
   160        0.5239             nan     0.1473   -0.0000
   180        0.5244             nan     0.1473    0.0000
   200        0.5234             nan     0.1473   -0.0001
   220        0.5229             nan     0.1473   -0.0001
   240        0.5225             nan     0.1473   -0.0001
   260        0.5222             nan     0.1473   -0.0001
   272        0.5220             nan     0.1473   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5306             nan     0.1526    0.0002
     2        0.5300             nan     0.1526    0.0002
     3        0.5295             nan     0.1526    0.0001
     4        0.5292             nan     0.1526    0.0001
     5        0.5290             nan     0.1526   -0.0001
     6        0.5287             nan     0.1526    0.0001
     7        0.5284             nan     0.1526    0.0000
     8        0.5282             nan     0.1526    0.0000
     9        0.5280             nan     0.1526   -0.0001
    10        0.5280             nan     0.1526   -0.0001
    20        0.5262             nan     0.1526   -0.0000
    40        0.5246             nan     0.1526   -0.0001
    60        0.5236             nan     0.1526   -0.0005
    80        0.5219             nan     0.1526   -0.0001
   100        0.5210             nan     0.1526   -0.0000
   120        0.5193             nan     0.1526   -0.0000
   140        0.5185             nan     0.1526   -0.0005
   160        0.5174             nan     0.1526   -0.0001
   180        0.5163             nan     0.1526   -0.0001
   200        0.5151             nan     0.1526   -0.0003
   220        0.5141             nan     0.1526   -0.0001
   240        0.5138             nan     0.1526   -0.0001
   260        0.5136             nan     0.1526   -0.0005
   280        0.5126             nan     0.1526   -0.0001
   300        0.5119             nan     0.1526   -0.0001
   320        0.5109             nan     0.1526   -0.0001
   340        0.5095             nan     0.1526    0.0001
   360        0.5092             nan     0.1526   -0.0006
   380        0.5081             nan     0.1526   -0.0001
   400        0.5080             nan     0.1526   -0.0000
   420        0.5073             nan     0.1526   -0.0002
   440        0.5066             nan     0.1526   -0.0001
   460        0.5060             nan     0.1526   -0.0003
   480        0.5047             nan     0.1526   -0.0001
   500        0.5044             nan     0.1526   -0.0001
   520        0.5046             nan     0.1526   -0.0007
   540        0.5041             nan     0.1526   -0.0000
   560        0.5036             nan     0.1526   -0.0001
   580        0.5031             nan     0.1526   -0.0001
   600        0.5026             nan     0.1526   -0.0001
   620        0.5027             nan     0.1526   -0.0001
   640        0.5020             nan     0.1526   -0.0001
   660        0.5010             nan     0.1526   -0.0001
   680        0.5009             nan     0.1526   -0.0001
   700        0.5001             nan     0.1526   -0.0001
   720        0.4996             nan     0.1526   -0.0001
   738        0.4995             nan     0.1526   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5308             nan     0.1541    0.0001
     2        0.5306             nan     0.1541    0.0001
     3        0.5305             nan     0.1541    0.0000
     4        0.5302             nan     0.1541    0.0001
     5        0.5301             nan     0.1541    0.0000
     6        0.5299             nan     0.1541    0.0001
     7        0.5299             nan     0.1541   -0.0000
     8        0.5298             nan     0.1541   -0.0000
     9        0.5297             nan     0.1541    0.0000
    10        0.5295             nan     0.1541    0.0001
    20        0.5287             nan     0.1541    0.0000
    40        0.5283             nan     0.1541    0.0000
    60        0.5279             nan     0.1541   -0.0000
    80        0.5275             nan     0.1541   -0.0000
   100        0.5274             nan     0.1541   -0.0001
   120        0.5273             nan     0.1541   -0.0000
   140        0.5271             nan     0.1541   -0.0000
   160        0.5271             nan     0.1541   -0.0001
   180        0.5269             nan     0.1541   -0.0000
   200        0.5268             nan     0.1541   -0.0001
   220        0.5267             nan     0.1541   -0.0000
   240        0.5270             nan     0.1541   -0.0000
   260        0.5267             nan     0.1541   -0.0000
   280        0.5266             nan     0.1541   -0.0000
   300        0.5264             nan     0.1541   -0.0000
   320        0.5264             nan     0.1541   -0.0000
   340        0.5264             nan     0.1541   -0.0000
   360        0.5263             nan     0.1541   -0.0000
   380        0.5262             nan     0.1541   -0.0000
   400        0.5261             nan     0.1541   -0.0000
   420        0.5261             nan     0.1541   -0.0000
   440        0.5264             nan     0.1541   -0.0000
   443        0.5263             nan     0.1541   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5305             nan     0.1632    0.0002
     2        0.5296             nan     0.1632    0.0002
     3        0.5292             nan     0.1632    0.0001
     4        0.5288             nan     0.1632    0.0001
     5        0.5287             nan     0.1632   -0.0001
     6        0.5285             nan     0.1632   -0.0001
     7        0.5281             nan     0.1632    0.0000
     8        0.5279             nan     0.1632    0.0000
     9        0.5277             nan     0.1632   -0.0000
    10        0.5275             nan     0.1632    0.0000
    20        0.5261             nan     0.1632   -0.0002
    40        0.5232             nan     0.1632   -0.0001
    60        0.5210             nan     0.1632   -0.0001
    80        0.5190             nan     0.1632   -0.0001
   100        0.5175             nan     0.1632   -0.0001
   120        0.5180             nan     0.1632   -0.0017
   140        0.5155             nan     0.1632   -0.0001
   160        0.5142             nan     0.1632   -0.0001
   180        0.5133             nan     0.1632   -0.0001
   200        0.5122             nan     0.1632   -0.0001
   220        0.5118             nan     0.1632   -0.0001
   240        0.5106             nan     0.1632   -0.0001
   260        0.5097             nan     0.1632   -0.0001
   280        0.5086             nan     0.1632   -0.0001
   300        0.5073             nan     0.1632   -0.0001
   320        0.5069             nan     0.1632   -0.0002
   329        0.5064             nan     0.1632   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5304             nan     0.1648    0.0003
     2        0.5299             nan     0.1648    0.0001
     3        0.5295             nan     0.1648    0.0001
     4        0.5290             nan     0.1648    0.0002
     5        0.5288             nan     0.1648   -0.0000
     6        0.5285             nan     0.1648    0.0001
     7        0.5282             nan     0.1648   -0.0001
     8        0.5280             nan     0.1648   -0.0000
     9        0.5277             nan     0.1648   -0.0000
    10        0.5275             nan     0.1648   -0.0001
    20        0.5258             nan     0.1648   -0.0001
    40        0.5235             nan     0.1648   -0.0001
    60        0.5213             nan     0.1648   -0.0000
    80        0.5192             nan     0.1648   -0.0000
   100        0.5175             nan     0.1648   -0.0002
   120        0.5158             nan     0.1648   -0.0002
   140        0.5145             nan     0.1648   -0.0000
   160        0.5145             nan     0.1648   -0.0001
   180        0.5141             nan     0.1648   -0.0010
   200        0.5139             nan     0.1648   -0.0001
   220        0.5127             nan     0.1648   -0.0000
   240        0.5117             nan     0.1648   -0.0001
   260        0.5114             nan     0.1648   -0.0001
   280        0.5101             nan     0.1648   -0.0002
   300        0.5100             nan     0.1648   -0.0009
   320        0.5096             nan     0.1648   -0.0000
   340        0.5077             nan     0.1648   -0.0001
   360        0.5071             nan     0.1648   -0.0001
   380        0.5061             nan     0.1648   -0.0001
   400        0.5053             nan     0.1648   -0.0001
   420        0.5043             nan     0.1648   -0.0002
   440        0.5041             nan     0.1648   -0.0001
   460        0.5031             nan     0.1648   -0.0001
   480        0.5026             nan     0.1648   -0.0001
   500        0.5013             nan     0.1648   -0.0001
   520        0.5002             nan     0.1648   -0.0001
   540        0.5002             nan     0.1648   -0.0001
   560        0.4998             nan     0.1648   -0.0001
   580        0.4993             nan     0.1648   -0.0001
   600        0.4979             nan     0.1648   -0.0001
   620        0.4973             nan     0.1648   -0.0002
   640        0.4968             nan     0.1648   -0.0001
   660        0.4961             nan     0.1648   -0.0001
   680        0.4952             nan     0.1648   -0.0001
   700        0.4945             nan     0.1648   -0.0002
   720        0.4938             nan     0.1648   -0.0002
   740        0.4939             nan     0.1648   -0.0002
   760        0.4937             nan     0.1648   -0.0001
   776        0.4934             nan     0.1648   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5307             nan     0.1655    0.0003
     2        0.5302             nan     0.1655    0.0001
     3        0.5299             nan     0.1655    0.0001
     4        0.5296             nan     0.1655    0.0001
     5        0.5294             nan     0.1655   -0.0000
     6        0.5293             nan     0.1655    0.0000
     7        0.5290             nan     0.1655    0.0000
     8        0.5289             nan     0.1655   -0.0000
     9        0.5287             nan     0.1655   -0.0001
    10        0.5284             nan     0.1655    0.0000
    20        0.5270             nan     0.1655   -0.0000
    40        0.5259             nan     0.1655   -0.0001
    60        0.5246             nan     0.1655   -0.0001
    80        0.5233             nan     0.1655   -0.0000
   100        0.5227             nan     0.1655   -0.0001
   120        0.5215             nan     0.1655   -0.0001
   140        0.5205             nan     0.1655    0.0000
   160        0.5194             nan     0.1655   -0.0002
   180        0.5190             nan     0.1655   -0.0002
   200        0.5180             nan     0.1655   -0.0000
   220        0.5179             nan     0.1655   -0.0006
   240        0.5173             nan     0.1655   -0.0000
   260        0.5170             nan     0.1655   -0.0001
   280        0.5167             nan     0.1655   -0.0001
   300        0.5158             nan     0.1655   -0.0001
   320        0.5158             nan     0.1655   -0.0001
   340        0.5149             nan     0.1655   -0.0001
   360        0.5143             nan     0.1655   -0.0001
   380        0.5137             nan     0.1655   -0.0001
   400        0.5136             nan     0.1655   -0.0001
   420        0.5126             nan     0.1655   -0.0001
   440        0.5127             nan     0.1655   -0.0001
   460        0.5124             nan     0.1655   -0.0001
   480        0.5116             nan     0.1655   -0.0000
   500        0.5109             nan     0.1655   -0.0001
   520        0.5106             nan     0.1655   -0.0001
   540        0.5106             nan     0.1655   -0.0000
   560        0.5103             nan     0.1655   -0.0000
   580        0.5104             nan     0.1655   -0.0001
   600        0.5102             nan     0.1655   -0.0000
   620        0.5096             nan     0.1655   -0.0001
   640        0.5097             nan     0.1655   -0.0001
   660        0.5088             nan     0.1655   -0.0002
   680        0.5085             nan     0.1655   -0.0000
   700        0.5078             nan     0.1655   -0.0001
   720        0.5072             nan     0.1655   -0.0000
   740        0.5084             nan     0.1655   -0.0001
   760        0.5081             nan     0.1655   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5305             nan     0.1700    0.0002
     2        0.5299             nan     0.1700    0.0001
     3        0.5293             nan     0.1700    0.0001
     4        0.5289             nan     0.1700    0.0000
     5        0.5285             nan     0.1700   -0.0000
     6        0.5283             nan     0.1700   -0.0001
     7        0.5279             nan     0.1700    0.0001
     8        0.5280             nan     0.1700   -0.0005
     9        0.5277             nan     0.1700   -0.0001
    10        0.5284             nan     0.1700   -0.0012
    20        0.5263             nan     0.1700   -0.0000
    40        0.5241             nan     0.1700   -0.0001
    60        0.5236             nan     0.1700   -0.0010
    80        0.5210             nan     0.1700   -0.0000
   100        0.5206             nan     0.1700   -0.0000
   120        0.5184             nan     0.1700   -0.0001
   140        0.5174             nan     0.1700   -0.0001
   160        0.5167             nan     0.1700   -0.0000
   180        0.5143             nan     0.1700   -0.0001
   200        0.5136             nan     0.1700   -0.0003
   220        0.5116             nan     0.1700   -0.0001
   240        0.5103             nan     0.1700   -0.0004
   260        0.5083             nan     0.1700   -0.0000
   280        0.5071             nan     0.1700   -0.0001
   300        0.5058             nan     0.1700   -0.0001
   320        0.5048             nan     0.1700   -0.0003
   340        0.5033             nan     0.1700   -0.0001
   360        0.5027             nan     0.1700   -0.0000
   380        0.5020             nan     0.1700   -0.0001
   400        0.5014             nan     0.1700   -0.0000
   420        0.5011             nan     0.1700   -0.0001
   440        0.5002             nan     0.1700   -0.0000
   460        0.5000             nan     0.1700   -0.0002
   480        0.4985             nan     0.1700   -0.0002
   500        0.4983             nan     0.1700    0.0000
   520        0.4973             nan     0.1700   -0.0001
   540        0.4958             nan     0.1700   -0.0001
   560        0.4956             nan     0.1700   -0.0000
   580        0.4950             nan     0.1700   -0.0003
   600        0.4938             nan     0.1700   -0.0001
   620        0.4936             nan     0.1700   -0.0004
   640        0.4926             nan     0.1700   -0.0000
   660        0.4927             nan     0.1700   -0.0000
   680        0.4926             nan     0.1700   -0.0006
   700        0.4915             nan     0.1700   -0.0002
   720        0.4906             nan     0.1700   -0.0001
   740        0.4901             nan     0.1700   -0.0001
   760        0.4896             nan     0.1700   -0.0001
   780        0.4884             nan     0.1700   -0.0001
   800        0.4874             nan     0.1700   -0.0001
   820        0.4860             nan     0.1700   -0.0001
   840        0.4850             nan     0.1700   -0.0001
   860        0.4846             nan     0.1700   -0.0001
   880        0.4850             nan     0.1700   -0.0001
   900        0.4843             nan     0.1700   -0.0001
   920        0.4830             nan     0.1700   -0.0001
   940        0.4832             nan     0.1700   -0.0001
   960        0.4824             nan     0.1700   -0.0001
   964        0.4821             nan     0.1700   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5305             nan     0.1736    0.0003
     2        0.5299             nan     0.1736    0.0001
     3        0.5296             nan     0.1736    0.0001
     4        0.5294             nan     0.1736   -0.0000
     5        0.5290             nan     0.1736    0.0001
     6        0.5288             nan     0.1736    0.0000
     7        0.5287             nan     0.1736   -0.0000
     8        0.5285             nan     0.1736    0.0000
     9        0.5284             nan     0.1736   -0.0001
    10        0.5282             nan     0.1736   -0.0000
    20        0.5271             nan     0.1736   -0.0000
    40        0.5258             nan     0.1736   -0.0001
    60        0.5246             nan     0.1736   -0.0002
    80        0.5248             nan     0.1736   -0.0000
   100        0.5236             nan     0.1736   -0.0000
   120        0.5228             nan     0.1736   -0.0001
   140        0.5221             nan     0.1736   -0.0001
   160        0.5211             nan     0.1736   -0.0000
   180        0.5202             nan     0.1736   -0.0001
   200        0.5195             nan     0.1736   -0.0001
   220        0.5190             nan     0.1736   -0.0001
   235        0.5183             nan     0.1736   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5308             nan     0.1769    0.0001
     2        0.5302             nan     0.1769    0.0002
     3        0.5299             nan     0.1769    0.0000
     4        0.5296             nan     0.1769   -0.0000
     5        0.5292             nan     0.1769    0.0001
     6        0.5290             nan     0.1769   -0.0000
     7        0.5287             nan     0.1769    0.0000
     8        0.5285             nan     0.1769   -0.0000
     9        0.5284             nan     0.1769    0.0000
    10        0.5282             nan     0.1769   -0.0000
    20        0.5270             nan     0.1769   -0.0000
    40        0.5254             nan     0.1769   -0.0001
    60        0.5241             nan     0.1769   -0.0000
    80        0.5226             nan     0.1769   -0.0000
   100        0.5214             nan     0.1769   -0.0002
   120        0.5203             nan     0.1769   -0.0001
   140        0.5201             nan     0.1769   -0.0000
   160        0.5192             nan     0.1769   -0.0000
   180        0.5182             nan     0.1769   -0.0001
   200        0.5178             nan     0.1769   -0.0001
   220        0.5170             nan     0.1769   -0.0001
   240        0.5163             nan     0.1769    0.0000
   260        0.5160             nan     0.1769   -0.0001
   280        0.5153             nan     0.1769   -0.0005
   300        0.5151             nan     0.1769   -0.0001
   320        0.5141             nan     0.1769   -0.0001
   340        0.5137             nan     0.1769   -0.0002
   360        0.5129             nan     0.1769   -0.0001
   380        0.5125             nan     0.1769   -0.0001
   400        0.5124             nan     0.1769   -0.0000
   420        0.5117             nan     0.1769   -0.0001
   440        0.5109             nan     0.1769   -0.0001
   460        0.5108             nan     0.1769   -0.0001
   480        0.5102             nan     0.1769   -0.0000
   500        0.5104             nan     0.1769   -0.0003
   520        0.5097             nan     0.1769   -0.0001
   540        0.5097             nan     0.1769   -0.0001
   560        0.5089             nan     0.1769   -0.0000
   580        0.5094             nan     0.1769   -0.0001
   600        0.5085             nan     0.1769   -0.0001
   620        0.5078             nan     0.1769   -0.0001
   640        0.5078             nan     0.1769   -0.0001
   660        0.5074             nan     0.1769   -0.0001
   680        0.5069             nan     0.1769   -0.0001
   700        0.5067             nan     0.1769    0.0000
   720        0.5063             nan     0.1769   -0.0001
   740        0.5058             nan     0.1769   -0.0001
   760        0.5054             nan     0.1769   -0.0000
   780        0.5045             nan     0.1769   -0.0001
   800        0.5040             nan     0.1769   -0.0001
   820        0.5036             nan     0.1769   -0.0001
   840        0.5039             nan     0.1769   -0.0009
   860        0.5040             nan     0.1769   -0.0001
   880        0.5034             nan     0.1769    0.0000
   900        0.5026             nan     0.1769   -0.0001
   920        0.5020             nan     0.1769   -0.0001
   940        0.5032             nan     0.1769   -0.0004
   945        0.5031             nan     0.1769   -0.0004

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5307             nan     0.1812    0.0001
     2        0.5301             nan     0.1812    0.0001
     3        0.5300             nan     0.1812   -0.0000
     4        0.5298             nan     0.1812   -0.0000
     5        0.5296             nan     0.1812   -0.0000
     6        0.5294             nan     0.1812   -0.0000
     7        0.5292             nan     0.1812    0.0000
     8        0.5290             nan     0.1812    0.0000
     9        0.5285             nan     0.1812    0.0001
    10        0.5284             nan     0.1812   -0.0000
    20        0.5283             nan     0.1812   -0.0000
    40        0.5268             nan     0.1812   -0.0001
    60        0.5260             nan     0.1812   -0.0001
    80        0.5252             nan     0.1812   -0.0000
   100        0.5244             nan     0.1812   -0.0001
   120        0.5238             nan     0.1812   -0.0000
   140        0.5231             nan     0.1812   -0.0000
   160        0.5228             nan     0.1812   -0.0001
   180        0.5226             nan     0.1812   -0.0001
   200        0.5218             nan     0.1812   -0.0001
   220        0.5215             nan     0.1812   -0.0000
   240        0.5211             nan     0.1812   -0.0000
   260        0.5207             nan     0.1812   -0.0001
   280        0.5206             nan     0.1812   -0.0001
   300        0.5200             nan     0.1812   -0.0000
   320        0.5193             nan     0.1812   -0.0001
   340        0.5189             nan     0.1812   -0.0001
   360        0.5195             nan     0.1812   -0.0001
   380        0.5187             nan     0.1812   -0.0000
   400        0.5183             nan     0.1812   -0.0001
   420        0.5188             nan     0.1812   -0.0001
   440        0.5186             nan     0.1812   -0.0001
   460        0.5182             nan     0.1812   -0.0000
   480        0.5190             nan     0.1812    0.0001
   500        0.5181             nan     0.1812   -0.0001
   520        0.5178             nan     0.1812   -0.0001
   540        0.5173             nan     0.1812   -0.0001
   560        0.5170             nan     0.1812   -0.0001
   580        0.5167             nan     0.1812   -0.0000
   600        0.5164             nan     0.1812   -0.0001
   620        0.5163             nan     0.1812   -0.0001
   632        0.5162             nan     0.1812   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5307             nan     0.1823    0.0002
     2        0.5302             nan     0.1823    0.0001
     3        0.5294             nan     0.1823    0.0003
     4        0.5292             nan     0.1823    0.0000
     5        0.5290             nan     0.1823    0.0001
     6        0.5287             nan     0.1823    0.0001
     7        0.5285             nan     0.1823   -0.0000
     8        0.5284             nan     0.1823    0.0001
     9        0.5283             nan     0.1823   -0.0001
    10        0.5282             nan     0.1823   -0.0000
    20        0.5269             nan     0.1823   -0.0001
    40        0.5255             nan     0.1823   -0.0001
    60        0.5244             nan     0.1823   -0.0001
    80        0.5242             nan     0.1823   -0.0001
   100        0.5231             nan     0.1823   -0.0002
   120        0.5223             nan     0.1823   -0.0005
   140        0.5219             nan     0.1823   -0.0002
   157        0.5208             nan     0.1823   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5305             nan     0.1829    0.0003
     2        0.5299             nan     0.1829    0.0002
     3        0.5296             nan     0.1829    0.0001
     4        0.5293             nan     0.1829    0.0001
     5        0.5289             nan     0.1829    0.0001
     6        0.5287             nan     0.1829   -0.0000
     7        0.5284             nan     0.1829    0.0001
     8        0.5282             nan     0.1829   -0.0000
     9        0.5280             nan     0.1829   -0.0000
    10        0.5279             nan     0.1829   -0.0001
    20        0.5267             nan     0.1829   -0.0001
    40        0.5254             nan     0.1829   -0.0000
    60        0.5256             nan     0.1829    0.0000
    80        0.5238             nan     0.1829   -0.0000
   100        0.5227             nan     0.1829   -0.0001
   120        0.5215             nan     0.1829   -0.0001
   140        0.5207             nan     0.1829   -0.0001
   160        0.5200             nan     0.1829   -0.0001
   180        0.5192             nan     0.1829   -0.0001
   192        0.5189             nan     0.1829   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5309             nan     0.1856    0.0000
     2        0.5300             nan     0.1856    0.0004
     3        0.5294             nan     0.1856    0.0002
     4        0.5291             nan     0.1856    0.0000
     5        0.5287             nan     0.1856    0.0001
     6        0.5284             nan     0.1856    0.0000
     7        0.5281             nan     0.1856   -0.0000
     8        0.5278             nan     0.1856   -0.0001
     9        0.5276             nan     0.1856   -0.0001
    10        0.5275             nan     0.1856   -0.0001
    20        0.5262             nan     0.1856   -0.0002
    40        0.5244             nan     0.1856   -0.0001
    60        0.5233             nan     0.1856   -0.0001
    80        0.5217             nan     0.1856   -0.0001
   100        0.5205             nan     0.1856   -0.0001
   120        0.5209             nan     0.1856   -0.0000
   140        0.5203             nan     0.1856   -0.0001
   160        0.5188             nan     0.1856   -0.0001
   180        0.5171             nan     0.1856   -0.0001
   200        0.5160             nan     0.1856   -0.0001
   220        0.5151             nan     0.1856   -0.0001
   240        0.5147             nan     0.1856   -0.0001
   260        0.5135             nan     0.1856   -0.0001
   280        0.5126             nan     0.1856   -0.0001
   300        0.5119             nan     0.1856   -0.0001
   320        0.5110             nan     0.1856   -0.0002
   340        0.5110             nan     0.1856   -0.0002
   360        0.5101             nan     0.1856   -0.0001
   380        0.5097             nan     0.1856   -0.0001
   400        0.5087             nan     0.1856   -0.0001
   420        0.5075             nan     0.1856   -0.0001
   440        0.5067             nan     0.1856   -0.0001
   460        0.5061             nan     0.1856   -0.0001
   480        0.5053             nan     0.1856   -0.0001
   500        0.5053             nan     0.1856   -0.0001
   520        0.5065             nan     0.1856   -0.0002
   540        0.5049             nan     0.1856   -0.0000
   560        0.5031             nan     0.1856   -0.0001
   580        0.5023             nan     0.1856   -0.0002
   600        0.5021             nan     0.1856   -0.0001
   620        0.5024             nan     0.1856   -0.0000
   640        0.5022             nan     0.1856   -0.0001
   660        0.5016             nan     0.1856   -0.0002
   680        0.5011             nan     0.1856   -0.0006
   700        0.5009             nan     0.1856   -0.0011
   720        0.5000             nan     0.1856   -0.0002
   740        0.4996             nan     0.1856   -0.0001
   760        0.4990             nan     0.1856   -0.0001
   780        0.4983             nan     0.1856   -0.0005
   800        0.4974             nan     0.1856   -0.0001
   820        0.4972             nan     0.1856   -0.0001
   840        0.4971             nan     0.1856   -0.0001
   860        0.4963             nan     0.1856   -0.0001
   880        0.4955             nan     0.1856   -0.0001
   900        0.4948             nan     0.1856   -0.0001
   908        0.4946             nan     0.1856   -0.0002

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5306             nan     0.1858    0.0002
     2        0.5299             nan     0.1858    0.0001
     3        0.5294             nan     0.1858    0.0002
     4        0.5290             nan     0.1858    0.0001
     5        0.5286             nan     0.1858    0.0001
     6        0.5285             nan     0.1858   -0.0001
     7        0.5283             nan     0.1858   -0.0001
     8        0.5279             nan     0.1858   -0.0000
     9        0.5278             nan     0.1858   -0.0000
    10        0.5279             nan     0.1858   -0.0004
    20        0.5265             nan     0.1858   -0.0000
    40        0.5244             nan     0.1858   -0.0001
    60        0.5229             nan     0.1858   -0.0001
    80        0.5212             nan     0.1858   -0.0000
   100        0.5192             nan     0.1858   -0.0001
   120        0.5187             nan     0.1858   -0.0001
   140        0.5170             nan     0.1858   -0.0001
   160        0.5154             nan     0.1858   -0.0001
   180        0.5141             nan     0.1858   -0.0000
   200        0.5129             nan     0.1858   -0.0001
   220        0.5129             nan     0.1858   -0.0000
   240        0.5116             nan     0.1858   -0.0001
   260        0.5111             nan     0.1858   -0.0001
   280        0.5097             nan     0.1858   -0.0001
   300        0.5087             nan     0.1858   -0.0002
   320        0.5075             nan     0.1858   -0.0002
   340        0.5073             nan     0.1858   -0.0002
   351        0.5072             nan     0.1858   -0.0002

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5304             nan     0.1868    0.0003
     2        0.5298             nan     0.1868    0.0002
     3        0.5294             nan     0.1868    0.0001
     4        0.5290             nan     0.1868    0.0001
     5        0.5297             nan     0.1868   -0.0012
     6        0.5295             nan     0.1868   -0.0001
     7        0.5293             nan     0.1868   -0.0000
     8        0.5291             nan     0.1868   -0.0000
     9        0.5289             nan     0.1868    0.0000
    10        0.5288             nan     0.1868   -0.0001
    20        0.5277             nan     0.1868   -0.0001
    40        0.5264             nan     0.1868   -0.0000
    60        0.5249             nan     0.1868   -0.0001
    80        0.5237             nan     0.1868   -0.0001
   100        0.5232             nan     0.1868   -0.0000
   120        0.5229             nan     0.1868   -0.0001
   140        0.5225             nan     0.1868   -0.0001
   160        0.5217             nan     0.1868   -0.0000
   180        0.5213             nan     0.1868   -0.0001
   200        0.5207             nan     0.1868   -0.0001
   220        0.5200             nan     0.1868   -0.0000
   240        0.5191             nan     0.1868   -0.0001
   260        0.5183             nan     0.1868   -0.0001
   280        0.5186             nan     0.1868   -0.0001
   300        0.5177             nan     0.1868   -0.0001
   320        0.5173             nan     0.1868   -0.0000
   340        0.5167             nan     0.1868   -0.0001
   360        0.5156             nan     0.1868   -0.0001
   380        0.5146             nan     0.1868   -0.0001
   400        0.5140             nan     0.1868   -0.0001
   420        0.5134             nan     0.1868   -0.0001
   440        0.5137             nan     0.1868    0.0001
   460        0.5132             nan     0.1868   -0.0001
   480        0.5125             nan     0.1868   -0.0001
   500        0.5121             nan     0.1868   -0.0001
   520        0.5126             nan     0.1868   -0.0001
   540        0.5129             nan     0.1868   -0.0001
   560        0.5126             nan     0.1868   -0.0001
   580        0.5127             nan     0.1868   -0.0001
   600        0.5128             nan     0.1868   -0.0000
   620        0.5118             nan     0.1868   -0.0001
   640        0.5111             nan     0.1868   -0.0001
   660        0.5109             nan     0.1868   -0.0001
   680        0.5102             nan     0.1868   -0.0000
   700        0.5103             nan     0.1868   -0.0009
   720        0.5105             nan     0.1868   -0.0001
   740        0.5100             nan     0.1868   -0.0001
   760        0.5104             nan     0.1868   -0.0001
   780        0.5106             nan     0.1868   -0.0001
   800        0.5097             nan     0.1868   -0.0001
   820        0.5092             nan     0.1868   -0.0001
   840        0.5089             nan     0.1868   -0.0001
   860        0.5090             nan     0.1868    0.0001
   880        0.5078             nan     0.1868   -0.0001
   900        0.5072             nan     0.1868   -0.0001
   920        0.5072             nan     0.1868   -0.0002
   940        0.5065             nan     0.1868   -0.0001
   960        0.5070             nan     0.1868   -0.0001
   964        0.5068             nan     0.1868    0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5305             nan     0.1868    0.0002
     2        0.5298             nan     0.1868    0.0002
     3        0.5291             nan     0.1868    0.0003
     4        0.5287             nan     0.1868    0.0000
     5        0.5282             nan     0.1868    0.0001
     6        0.5279             nan     0.1868   -0.0000
     7        0.5277             nan     0.1868   -0.0001
     8        0.5275             nan     0.1868   -0.0000
     9        0.5272             nan     0.1868   -0.0001
    10        0.5268             nan     0.1868    0.0000
    20        0.5251             nan     0.1868   -0.0001
    40        0.5226             nan     0.1868   -0.0001
    60        0.5204             nan     0.1868   -0.0000
    80        0.5193             nan     0.1868   -0.0001
   100        0.5172             nan     0.1868   -0.0001
   120        0.5156             nan     0.1868   -0.0002
   140        0.5142             nan     0.1868   -0.0002
   160        0.5126             nan     0.1868   -0.0001
   180        0.5118             nan     0.1868   -0.0001
   200        0.5107             nan     0.1868   -0.0001
   220        0.5097             nan     0.1868   -0.0002
   240        0.5089             nan     0.1868   -0.0001
   260        0.5079             nan     0.1868   -0.0002
   280        0.5071             nan     0.1868   -0.0002
   300        0.5063             nan     0.1868   -0.0001
   320        0.5053             nan     0.1868   -0.0001
   340        0.5041             nan     0.1868   -0.0001
   360        0.5037             nan     0.1868   -0.0001
   380        0.5027             nan     0.1868   -0.0002
   400        0.5029             nan     0.1868   -0.0001
   420        0.5015             nan     0.1868   -0.0002
   440        0.5008             nan     0.1868   -0.0001
   460        0.5000             nan     0.1868   -0.0002
   480        0.4993             nan     0.1868   -0.0002
   500        0.4985             nan     0.1868   -0.0002
   520        0.4976             nan     0.1868   -0.0002
   540        0.4974             nan     0.1868   -0.0002
   560        0.4967             nan     0.1868   -0.0002
   561        0.4967             nan     0.1868   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5303             nan     0.1877    0.0003
     2        0.5298             nan     0.1877    0.0001
     3        0.5295             nan     0.1877    0.0000
     4        0.5291             nan     0.1877   -0.0000
     5        0.5289             nan     0.1877    0.0000
     6        0.5288             nan     0.1877   -0.0001
     7        0.5286             nan     0.1877   -0.0000
     8        0.5285             nan     0.1877   -0.0000
     9        0.5284             nan     0.1877   -0.0001
    10        0.5283             nan     0.1877   -0.0000
    20        0.5270             nan     0.1877    0.0000
    40        0.5259             nan     0.1877    0.0000
    60        0.5250             nan     0.1877   -0.0001
    80        0.5236             nan     0.1877   -0.0002
   100        0.5226             nan     0.1877   -0.0000
   120        0.5216             nan     0.1877   -0.0001
   140        0.5205             nan     0.1877   -0.0000
   160        0.5197             nan     0.1877   -0.0001
   180        0.5191             nan     0.1877   -0.0000
   200        0.5184             nan     0.1877   -0.0001
   220        0.5181             nan     0.1877   -0.0001
   240        0.5176             nan     0.1877   -0.0002
   260        0.5169             nan     0.1877   -0.0001
   280        0.5163             nan     0.1877   -0.0001
   300        0.5159             nan     0.1877   -0.0001
   320        0.5155             nan     0.1877   -0.0001
   340        0.5149             nan     0.1877   -0.0002
   360        0.5142             nan     0.1877   -0.0001
   380        0.5137             nan     0.1877   -0.0001
   400        0.5141             nan     0.1877   -0.0001
   420        0.5132             nan     0.1877   -0.0001
   425        0.5129             nan     0.1877   -0.0002

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5309             nan     0.1908    0.0001
     2        0.5306             nan     0.1908    0.0001
     3        0.5303             nan     0.1908    0.0001
     4        0.5300             nan     0.1908    0.0000
     5        0.5298             nan     0.1908    0.0001
     6        0.5298             nan     0.1908   -0.0000
     7        0.5297             nan     0.1908    0.0000
     8        0.5295             nan     0.1908    0.0000
     9        0.5294             nan     0.1908    0.0000
    10        0.5294             nan     0.1908   -0.0000
    20        0.5286             nan     0.1908   -0.0000
    40        0.5280             nan     0.1908   -0.0000
    60        0.5277             nan     0.1908   -0.0001
    78        0.5274             nan     0.1908   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5305             nan     0.1913    0.0002
     2        0.5299             nan     0.1913    0.0001
     3        0.5295             nan     0.1913    0.0000
     4        0.5292             nan     0.1913    0.0001
     5        0.5289             nan     0.1913    0.0000
     6        0.5287             nan     0.1913   -0.0001
     7        0.5285             nan     0.1913   -0.0000
     8        0.5279             nan     0.1913    0.0002
     9        0.5277             nan     0.1913   -0.0001
    10        0.5276             nan     0.1913   -0.0002
    20        0.5266             nan     0.1913   -0.0001
    40        0.5259             nan     0.1913    0.0001
    60        0.5232             nan     0.1913   -0.0001
    80        0.5220             nan     0.1913   -0.0002
   100        0.5203             nan     0.1913   -0.0001
   120        0.5201             nan     0.1913   -0.0001
   140        0.5204             nan     0.1913   -0.0002
   160        0.5186             nan     0.1913   -0.0001
   180        0.5193             nan     0.1913    0.0001
   200        0.5179             nan     0.1913   -0.0001
   212        0.5168             nan     0.1913   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5307             nan     0.1934    0.0002
     2        0.5302             nan     0.1934    0.0001
     3        0.5299             nan     0.1934    0.0000
     4        0.5295             nan     0.1934    0.0001
     5        0.5293             nan     0.1934    0.0000
     6        0.5290             nan     0.1934    0.0000
     7        0.5289             nan     0.1934    0.0000
     8        0.5288             nan     0.1934   -0.0000
     9        0.5287             nan     0.1934   -0.0001
    10        0.5285             nan     0.1934   -0.0000
    20        0.5280             nan     0.1934   -0.0001
    40        0.5268             nan     0.1934   -0.0001
    60        0.5259             nan     0.1934   -0.0000
    80        0.5252             nan     0.1934   -0.0001
   100        0.5245             nan     0.1934   -0.0000
   120        0.5237             nan     0.1934   -0.0001
   140        0.5233             nan     0.1934   -0.0001
   160        0.5227             nan     0.1934   -0.0000
   180        0.5223             nan     0.1934   -0.0001
   200        0.5218             nan     0.1934   -0.0001
   220        0.5228             nan     0.1934   -0.0001
   240        0.5221             nan     0.1934   -0.0001
   260        0.5227             nan     0.1934   -0.0001
   280        0.5221             nan     0.1934   -0.0000
   300        0.5217             nan     0.1934   -0.0000
   320        0.5214             nan     0.1934   -0.0001
   340        0.5211             nan     0.1934   -0.0001
   360        0.5207             nan     0.1934   -0.0001
   380        0.5202             nan     0.1934   -0.0001
   400        0.5199             nan     0.1934   -0.0001
   420        0.5196             nan     0.1934   -0.0000
   440        0.5192             nan     0.1934   -0.0001
   460        0.5190             nan     0.1934   -0.0001
   480        0.5188             nan     0.1934   -0.0001
   500        0.5183             nan     0.1934   -0.0000
   520        0.5181             nan     0.1934   -0.0000
   540        0.5177             nan     0.1934   -0.0001
   555        0.5175             nan     0.1934   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5305             nan     0.1936    0.0002
     2        0.5300             nan     0.1936    0.0001
     3        0.5297             nan     0.1936    0.0000
     4        0.5292             nan     0.1936    0.0000
     5        0.5289             nan     0.1936   -0.0001
     6        0.5285             nan     0.1936    0.0001
     7        0.5283             nan     0.1936   -0.0001
     8        0.5280             nan     0.1936    0.0000
     9        0.5277             nan     0.1936   -0.0000
    10        0.5275             nan     0.1936    0.0000
    20        0.5261             nan     0.1936   -0.0001
    40        0.5242             nan     0.1936   -0.0000
    60        0.5217             nan     0.1936   -0.0000
    80        0.5207             nan     0.1936   -0.0001
   100        0.5196             nan     0.1936   -0.0002
   120        0.5181             nan     0.1936   -0.0001
   140        0.5173             nan     0.1936   -0.0001
   160        0.5167             nan     0.1936   -0.0012
   180        0.5157             nan     0.1936   -0.0003

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5305             nan     0.1961    0.0002
     2        0.5298             nan     0.1961    0.0003
     3        0.5294             nan     0.1961   -0.0000
     4        0.5290             nan     0.1961    0.0000
     5        0.5286             nan     0.1961    0.0001
     6        0.5285             nan     0.1961   -0.0001
     7        0.5283             nan     0.1961   -0.0001
     8        0.5280             nan     0.1961    0.0000
     9        0.5281             nan     0.1961   -0.0007
    10        0.5278             nan     0.1961    0.0000
    20        0.5268             nan     0.1961   -0.0000
    40        0.5241             nan     0.1961   -0.0001
    60        0.5222             nan     0.1961   -0.0001
    80        0.5205             nan     0.1961   -0.0001
   100        0.5188             nan     0.1961   -0.0001
   120        0.5174             nan     0.1961   -0.0002
   140        0.5167             nan     0.1961   -0.0000
   160        0.5154             nan     0.1961   -0.0001
   180        0.5144             nan     0.1961   -0.0001
   200        0.5135             nan     0.1961   -0.0001
   220        0.5122             nan     0.1961   -0.0001
   240        0.5114             nan     0.1961   -0.0001
   260        0.5105             nan     0.1961   -0.0001
   280        0.5097             nan     0.1961   -0.0002
   300        0.5101             nan     0.1961   -0.0001
   320        0.5091             nan     0.1961   -0.0001
   340        0.5081             nan     0.1961   -0.0002
   360        0.5073             nan     0.1961   -0.0001
   380        0.5064             nan     0.1961   -0.0001
   400        0.5054             nan     0.1961   -0.0001
   420        0.5047             nan     0.1961   -0.0001
   440        0.5052             nan     0.1961   -0.0002
   460        0.5041             nan     0.1961   -0.0001
   480        0.5032             nan     0.1961    0.0001
   500        0.5025             nan     0.1961   -0.0002
   520        0.5019             nan     0.1961   -0.0001
   540        0.5027             nan     0.1961   -0.0001
   560        0.5025             nan     0.1961   -0.0001
   580        0.5025             nan     0.1961   -0.0001
   600        0.5019             nan     0.1961   -0.0001
   620        0.5012             nan     0.1961   -0.0002
   640        0.5018             nan     0.1961   -0.0001
   660        0.5008             nan     0.1961   -0.0001
   680        0.5003             nan     0.1961   -0.0001
   700        0.4994             nan     0.1961   -0.0001
   720        0.5006             nan     0.1961   -0.0001
   740        0.4992             nan     0.1961   -0.0001
   760        0.4989             nan     0.1961   -0.0001
   780        0.4984             nan     0.1961   -0.0002
   800        0.4974             nan     0.1961   -0.0002
   820        0.4969             nan     0.1961   -0.0001
   840        0.4966             nan     0.1961   -0.0001
   845        0.4965             nan     0.1961   -0.0002

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5306             nan     0.1962    0.0002
     2        0.5300             nan     0.1962    0.0002
     3        0.5296             nan     0.1962    0.0001
     4        0.5293             nan     0.1962    0.0000
     5        0.5291             nan     0.1962    0.0000
     6        0.5289             nan     0.1962   -0.0000
     7        0.5283             nan     0.1962    0.0001
     8        0.5281             nan     0.1962   -0.0000
     9        0.5280             nan     0.1962   -0.0001
    10        0.5277             nan     0.1962    0.0000
    20        0.5265             nan     0.1962   -0.0000
    40        0.5252             nan     0.1962   -0.0001
    60        0.5242             nan     0.1962   -0.0001
    80        0.5234             nan     0.1962   -0.0001
   100        0.5221             nan     0.1962   -0.0001
   120        0.5217             nan     0.1962   -0.0001
   140        0.5207             nan     0.1962   -0.0001
   160        0.5210             nan     0.1962   -0.0000
   180        0.5201             nan     0.1962   -0.0001
   200        0.5191             nan     0.1962   -0.0001
   220        0.5186             nan     0.1962   -0.0002
   237        0.5179             nan     0.1962   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5305             nan     0.1983    0.0002
     2        0.5299             nan     0.1983    0.0002
     3        0.5296             nan     0.1983    0.0000
     4        0.5292             nan     0.1983    0.0000
     5        0.5289             nan     0.1983   -0.0000
     6        0.5285             nan     0.1983   -0.0001
     7        0.5284             nan     0.1983   -0.0000
     8        0.5281             nan     0.1983   -0.0000
     9        0.5279             nan     0.1983    0.0001
    10        0.5278             nan     0.1983   -0.0000
    20        0.5268             nan     0.1983   -0.0001
    40        0.5254             nan     0.1983    0.0000
    60        0.5243             nan     0.1983    0.0000
    80        0.5231             nan     0.1983   -0.0001
   100        0.5222             nan     0.1983   -0.0001
   120        0.5220             nan     0.1983   -0.0001
   140        0.5216             nan     0.1983   -0.0001
   160        0.5205             nan     0.1983   -0.0001
   180        0.5196             nan     0.1983   -0.0002
   200        0.5188             nan     0.1983   -0.0001
   220        0.5181             nan     0.1983   -0.0001
   240        0.5175             nan     0.1983   -0.0002
   260        0.5170             nan     0.1983   -0.0001
   280        0.5165             nan     0.1983   -0.0001
   300        0.5158             nan     0.1983   -0.0001
   320        0.5152             nan     0.1983   -0.0001
   340        0.5148             nan     0.1983   -0.0001
   360        0.5141             nan     0.1983   -0.0001
   380        0.5135             nan     0.1983   -0.0001
   400        0.5131             nan     0.1983   -0.0001
   420        0.5125             nan     0.1983   -0.0002
   440        0.5118             nan     0.1983   -0.0001
   460        0.5111             nan     0.1983   -0.0001
   480        0.5108             nan     0.1983   -0.0001
   500        0.5104             nan     0.1983   -0.0001
   520        0.5105             nan     0.1983   -0.0001
   540        0.5100             nan     0.1983   -0.0000
   560        0.5095             nan     0.1983   -0.0001
   580        0.5092             nan     0.1983   -0.0001
   600        0.5085             nan     0.1983   -0.0001
   620        0.5084             nan     0.1983   -0.0001
   640        0.5095             nan     0.1983   -0.0001
   660        0.5088             nan     0.1983   -0.0001
   680        0.5085             nan     0.1983   -0.0001
   700        0.5091             nan     0.1983   -0.0001
   720        0.5082             nan     0.1983   -0.0001
   740        0.5077             nan     0.1983   -0.0001
   760        0.5073             nan     0.1983   -0.0001
   780        0.5069             nan     0.1983   -0.0001
   800        0.5066             nan     0.1983   -0.0001
   820        0.5061             nan     0.1983   -0.0001
   837        0.5057             nan     0.1983   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5269             nan     0.0105    0.0000
     2        0.5268             nan     0.0105    0.0000
     3        0.5268             nan     0.0105    0.0000
     4        0.5268             nan     0.0105    0.0000
     5        0.5267             nan     0.0105    0.0000
     6        0.5267             nan     0.0105    0.0000
     7        0.5267             nan     0.0105    0.0000
     8        0.5266             nan     0.0105    0.0000
     9        0.5266             nan     0.0105    0.0000
    10        0.5265             nan     0.0105    0.0000
    20        0.5263             nan     0.0105    0.0000
    40        0.5258             nan     0.0105   -0.0000
    60        0.5253             nan     0.0105    0.0000
    80        0.5249             nan     0.0105   -0.0000
   100        0.5245             nan     0.0105   -0.0000
   120        0.5242             nan     0.0105   -0.0000
   140        0.5240             nan     0.0105   -0.0000
   160        0.5237             nan     0.0105   -0.0000
   180        0.5235             nan     0.0105   -0.0000
   200        0.5233             nan     0.0105   -0.0000
   220        0.5230             nan     0.0105   -0.0000
   240        0.5228             nan     0.0105   -0.0000
   260        0.5226             nan     0.0105   -0.0000
   280        0.5222             nan     0.0105   -0.0000
   300        0.5221             nan     0.0105   -0.0000
   320        0.5219             nan     0.0105   -0.0000
   340        0.5216             nan     0.0105   -0.0000
   360        0.5215             nan     0.0105   -0.0000
   380        0.5213             nan     0.0105   -0.0000
   400        0.5211             nan     0.0105   -0.0000
   420        0.5210             nan     0.0105   -0.0000
   440        0.5208             nan     0.0105   -0.0000
   460        0.5207             nan     0.0105   -0.0000
   480        0.5205             nan     0.0105   -0.0000
   500        0.5202             nan     0.0105   -0.0000
   520        0.5201             nan     0.0105   -0.0000
   540        0.5199             nan     0.0105   -0.0000
   560        0.5198             nan     0.0105   -0.0000
   580        0.5196             nan     0.0105   -0.0000
   600        0.5195             nan     0.0105    0.0000
   620        0.5193             nan     0.0105   -0.0000
   623        0.5193             nan     0.0105   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5269             nan     0.0177    0.0000
     2        0.5268             nan     0.0177    0.0000
     3        0.5268             nan     0.0177   -0.0000
     4        0.5268             nan     0.0177    0.0000
     5        0.5267             nan     0.0177    0.0000
     6        0.5267             nan     0.0177    0.0000
     7        0.5266             nan     0.0177    0.0000
     8        0.5266             nan     0.0177    0.0000
     9        0.5266             nan     0.0177    0.0000
    10        0.5265             nan     0.0177    0.0000
    20        0.5262             nan     0.0177    0.0000
    40        0.5257             nan     0.0177    0.0000
    60        0.5252             nan     0.0177    0.0000
    80        0.5250             nan     0.0177   -0.0000
   100        0.5247             nan     0.0177   -0.0000
   120        0.5244             nan     0.0177    0.0000
   140        0.5243             nan     0.0177   -0.0000
   160        0.5241             nan     0.0177   -0.0000
   180        0.5239             nan     0.0177   -0.0000
   200        0.5238             nan     0.0177   -0.0000
   220        0.5237             nan     0.0177   -0.0000
   240        0.5234             nan     0.0177   -0.0000
   260        0.5233             nan     0.0177    0.0000
   280        0.5232             nan     0.0177   -0.0000
   300        0.5231             nan     0.0177   -0.0000
   320        0.5229             nan     0.0177   -0.0000
   340        0.5228             nan     0.0177   -0.0000
   360        0.5226             nan     0.0177   -0.0000
   380        0.5225             nan     0.0177   -0.0000
   400        0.5224             nan     0.0177   -0.0000
   420        0.5223             nan     0.0177    0.0000
   440        0.5222             nan     0.0177   -0.0000
   460        0.5221             nan     0.0177   -0.0000
   480        0.5220             nan     0.0177   -0.0000
   500        0.5219             nan     0.0177   -0.0000
   520        0.5219             nan     0.0177   -0.0000
   540        0.5218             nan     0.0177   -0.0000
   560        0.5217             nan     0.0177   -0.0000
   580        0.5216             nan     0.0177   -0.0000
   600        0.5215             nan     0.0177   -0.0000
   620        0.5215             nan     0.0177   -0.0000
   640        0.5213             nan     0.0177   -0.0000
   660        0.5212             nan     0.0177   -0.0000
   680        0.5212             nan     0.0177   -0.0000
   700        0.5211             nan     0.0177   -0.0000
   720        0.5210             nan     0.0177   -0.0000
   740        0.5209             nan     0.0177   -0.0000
   747        0.5209             nan     0.0177   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5268             nan     0.0178    0.0000
     2        0.5266             nan     0.0178    0.0001
     3        0.5265             nan     0.0178    0.0000
     4        0.5265             nan     0.0178    0.0000
     5        0.5264             nan     0.0178    0.0000
     6        0.5263             nan     0.0178    0.0000
     7        0.5262             nan     0.0178    0.0000
     8        0.5262             nan     0.0178    0.0000
     9        0.5261             nan     0.0178    0.0000
    10        0.5260             nan     0.0178    0.0000
    20        0.5255             nan     0.0178    0.0000
    40        0.5247             nan     0.0178    0.0000
    60        0.5239             nan     0.0178   -0.0000
    80        0.5234             nan     0.0178   -0.0000
   100        0.5228             nan     0.0178   -0.0000
   120        0.5224             nan     0.0178   -0.0000
   140        0.5220             nan     0.0178    0.0000
   160        0.5216             nan     0.0178   -0.0000
   180        0.5212             nan     0.0178   -0.0000
   200        0.5208             nan     0.0178   -0.0001
   220        0.5203             nan     0.0178   -0.0000
   240        0.5200             nan     0.0178   -0.0000
   260        0.5196             nan     0.0178   -0.0000
   280        0.5193             nan     0.0178   -0.0001
   300        0.5189             nan     0.0178   -0.0000
   320        0.5187             nan     0.0178   -0.0000
   340        0.5183             nan     0.0178   -0.0000
   360        0.5179             nan     0.0178   -0.0000
   380        0.5176             nan     0.0178   -0.0000
   400        0.5173             nan     0.0178   -0.0000
   420        0.5169             nan     0.0178   -0.0000
   440        0.5166             nan     0.0178   -0.0000
   460        0.5163             nan     0.0178   -0.0000
   480        0.5158             nan     0.0178   -0.0000
   500        0.5155             nan     0.0178   -0.0000
   520        0.5153             nan     0.0178   -0.0000
   540        0.5150             nan     0.0178   -0.0000
   560        0.5148             nan     0.0178   -0.0000
   580        0.5145             nan     0.0178   -0.0000
   600        0.5143             nan     0.0178   -0.0000
   620        0.5140             nan     0.0178   -0.0000
   640        0.5137             nan     0.0178   -0.0000
   660        0.5134             nan     0.0178   -0.0000
   680        0.5132             nan     0.0178   -0.0000
   700        0.5129             nan     0.0178   -0.0000
   720        0.5126             nan     0.0178   -0.0000
   740        0.5123             nan     0.0178   -0.0000
   760        0.5121             nan     0.0178   -0.0000
   780        0.5118             nan     0.0178   -0.0000
   800        0.5116             nan     0.0178   -0.0000
   820        0.5114             nan     0.0178   -0.0000
   826        0.5113             nan     0.0178   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5268             nan     0.0205    0.0000
     2        0.5268             nan     0.0205    0.0000
     3        0.5267             nan     0.0205    0.0000
     4        0.5267             nan     0.0205    0.0000
     5        0.5267             nan     0.0205    0.0000
     6        0.5266             nan     0.0205    0.0000
     7        0.5265             nan     0.0205    0.0000
     8        0.5265             nan     0.0205    0.0000
     9        0.5264             nan     0.0205    0.0000
    10        0.5264             nan     0.0205    0.0000
    20        0.5259             nan     0.0205    0.0000
    40        0.5252             nan     0.0205   -0.0000
    60        0.5247             nan     0.0205   -0.0000
    80        0.5241             nan     0.0205   -0.0000
   100        0.5238             nan     0.0205   -0.0000
   120        0.5235             nan     0.0205   -0.0000
   140        0.5231             nan     0.0205   -0.0000
   160        0.5229             nan     0.0205   -0.0000
   180        0.5224             nan     0.0205   -0.0000
   200        0.5222             nan     0.0205   -0.0000
   220        0.5218             nan     0.0205   -0.0000
   240        0.5216             nan     0.0205   -0.0000
   260        0.5214             nan     0.0205   -0.0000
   280        0.5209             nan     0.0205   -0.0000
   300        0.5207             nan     0.0205   -0.0000
   320        0.5205             nan     0.0205   -0.0000
   340        0.5203             nan     0.0205   -0.0000
   360        0.5202             nan     0.0205   -0.0000
   380        0.5200             nan     0.0205   -0.0000
   400        0.5198             nan     0.0205   -0.0000
   420        0.5196             nan     0.0205   -0.0000
   440        0.5195             nan     0.0205   -0.0000
   460        0.5193             nan     0.0205   -0.0000
   480        0.5192             nan     0.0205   -0.0000
   500        0.5190             nan     0.0205   -0.0000
   520        0.5188             nan     0.0205   -0.0000
   540        0.5186             nan     0.0205   -0.0000
   560        0.5185             nan     0.0205   -0.0000
   580        0.5183             nan     0.0205   -0.0000
   600        0.5182             nan     0.0205   -0.0000
   620        0.5181             nan     0.0205   -0.0000
   640        0.5179             nan     0.0205   -0.0000
   660        0.5177             nan     0.0205   -0.0000
   680        0.5176             nan     0.0205   -0.0000
   700        0.5175             nan     0.0205   -0.0000
   720        0.5173             nan     0.0205   -0.0000
   740        0.5172             nan     0.0205   -0.0000
   760        0.5171             nan     0.0205   -0.0000
   780        0.5169             nan     0.0205   -0.0000
   800        0.5168             nan     0.0205   -0.0000
   805        0.5167             nan     0.0205   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5269             nan     0.0215    0.0000
     2        0.5269             nan     0.0215    0.0000
     3        0.5268             nan     0.0215    0.0000
     4        0.5268             nan     0.0215    0.0000
     5        0.5267             nan     0.0215    0.0000
     6        0.5267             nan     0.0215    0.0000
     7        0.5267             nan     0.0215    0.0000
     8        0.5267             nan     0.0215    0.0000
     9        0.5266             nan     0.0215    0.0000
    10        0.5266             nan     0.0215    0.0000
    20        0.5263             nan     0.0215    0.0000
    40        0.5259             nan     0.0215    0.0000
    60        0.5256             nan     0.0215   -0.0000
    80        0.5254             nan     0.0215    0.0000
   100        0.5252             nan     0.0215    0.0000
   120        0.5251             nan     0.0215   -0.0000
   140        0.5248             nan     0.0215   -0.0000
   160        0.5247             nan     0.0215   -0.0000
   180        0.5247             nan     0.0215   -0.0000
   200        0.5246             nan     0.0215   -0.0000
   220        0.5245             nan     0.0215   -0.0000
   240        0.5245             nan     0.0215    0.0000
   256        0.5244             nan     0.0215   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5269             nan     0.0240    0.0000
     2        0.5268             nan     0.0240    0.0000
     3        0.5268             nan     0.0240    0.0000
     4        0.5267             nan     0.0240    0.0000
     5        0.5265             nan     0.0240    0.0000
     6        0.5265             nan     0.0240    0.0000
     7        0.5264             nan     0.0240    0.0000
     8        0.5264             nan     0.0240    0.0000
     9        0.5263             nan     0.0240    0.0000
    10        0.5263             nan     0.0240    0.0000
    20        0.5258             nan     0.0240    0.0000
    40        0.5253             nan     0.0240   -0.0000
    60        0.5248             nan     0.0240   -0.0000
    80        0.5245             nan     0.0240    0.0000
   100        0.5242             nan     0.0240   -0.0000
   120        0.5240             nan     0.0240   -0.0000
   140        0.5238             nan     0.0240   -0.0000
   160        0.5236             nan     0.0240   -0.0000
   180        0.5233             nan     0.0240   -0.0000
   200        0.5232             nan     0.0240   -0.0000
   220        0.5230             nan     0.0240    0.0000
   240        0.5228             nan     0.0240   -0.0000
   260        0.5227             nan     0.0240   -0.0000
   280        0.5226             nan     0.0240   -0.0000
   300        0.5224             nan     0.0240   -0.0000
   320        0.5223             nan     0.0240   -0.0000
   340        0.5221             nan     0.0240   -0.0000
   360        0.5220             nan     0.0240   -0.0000
   380        0.5219             nan     0.0240   -0.0000
   400        0.5218             nan     0.0240   -0.0000
   420        0.5216             nan     0.0240   -0.0000
   440        0.5214             nan     0.0240   -0.0000
   460        0.5213             nan     0.0240   -0.0000
   480        0.5212             nan     0.0240   -0.0000
   500        0.5211             nan     0.0240   -0.0000
   520        0.5209             nan     0.0240   -0.0000
   540        0.5208             nan     0.0240   -0.0000
   560        0.5207             nan     0.0240   -0.0000
   580        0.5206             nan     0.0240   -0.0000
   600        0.5205             nan     0.0240   -0.0000
   620        0.5204             nan     0.0240   -0.0000
   640        0.5203             nan     0.0240   -0.0000
   660        0.5202             nan     0.0240   -0.0000
   680        0.5201             nan     0.0240   -0.0000
   700        0.5200             nan     0.0240   -0.0000
   720        0.5199             nan     0.0240   -0.0000
   740        0.5198             nan     0.0240   -0.0000
   760        0.5197             nan     0.0240   -0.0000
   780        0.5196             nan     0.0240   -0.0000
   790        0.5196             nan     0.0240   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5269             nan     0.0244    0.0000
     2        0.5268             nan     0.0244    0.0000
     3        0.5267             nan     0.0244    0.0000
     4        0.5266             nan     0.0244    0.0000
     5        0.5266             nan     0.0244    0.0000
     6        0.5265             nan     0.0244    0.0000
     7        0.5264             nan     0.0244    0.0000
     8        0.5264             nan     0.0244    0.0000
     9        0.5263             nan     0.0244    0.0000
    10        0.5263             nan     0.0244    0.0000
    20        0.5257             nan     0.0244   -0.0000
    40        0.5250             nan     0.0244    0.0000
    60        0.5243             nan     0.0244   -0.0000
    80        0.5239             nan     0.0244   -0.0000
   100        0.5235             nan     0.0244   -0.0000
   120        0.5230             nan     0.0244   -0.0000
   140        0.5228             nan     0.0244   -0.0000
   160        0.5226             nan     0.0244   -0.0000
   180        0.5223             nan     0.0244   -0.0000
   200        0.5220             nan     0.0244   -0.0000
   220        0.5218             nan     0.0244   -0.0000
   240        0.5215             nan     0.0244   -0.0000
   260        0.5214             nan     0.0244   -0.0000
   280        0.5211             nan     0.0244   -0.0000
   300        0.5208             nan     0.0244   -0.0000
   320        0.5206             nan     0.0244   -0.0000
   340        0.5204             nan     0.0244   -0.0000
   360        0.5201             nan     0.0244   -0.0000
   380        0.5199             nan     0.0244    0.0000
   400        0.5196             nan     0.0244   -0.0000
   420        0.5194             nan     0.0244   -0.0000
   440        0.5192             nan     0.0244   -0.0000
   460        0.5189             nan     0.0244   -0.0000
   480        0.5187             nan     0.0244   -0.0000
   500        0.5185             nan     0.0244   -0.0000
   520        0.5183             nan     0.0244   -0.0000
   540        0.5181             nan     0.0244   -0.0000
   560        0.5179             nan     0.0244   -0.0000
   580        0.5176             nan     0.0244   -0.0000
   600        0.5174             nan     0.0244   -0.0000
   620        0.5172             nan     0.0244   -0.0000
   640        0.5169             nan     0.0244   -0.0000
   660        0.5167             nan     0.0244   -0.0000
   680        0.5165             nan     0.0244   -0.0000
   700        0.5163             nan     0.0244   -0.0000
   720        0.5161             nan     0.0244   -0.0000
   740        0.5159             nan     0.0244   -0.0000
   745        0.5159             nan     0.0244   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5269             nan     0.0264    0.0000
     2        0.5268             nan     0.0264    0.0000
     3        0.5267             nan     0.0264    0.0000
     4        0.5267             nan     0.0264    0.0000
     5        0.5266             nan     0.0264    0.0000
     6        0.5266             nan     0.0264    0.0000
     7        0.5265             nan     0.0264    0.0000
     8        0.5264             nan     0.0264    0.0000
     9        0.5264             nan     0.0264    0.0000
    10        0.5263             nan     0.0264    0.0000
    20        0.5259             nan     0.0264    0.0000
    40        0.5254             nan     0.0264   -0.0000
    60        0.5249             nan     0.0264    0.0000
    80        0.5245             nan     0.0264   -0.0000
   100        0.5242             nan     0.0264   -0.0000
   120        0.5240             nan     0.0264   -0.0000
   140        0.5236             nan     0.0264   -0.0000
   160        0.5234             nan     0.0264   -0.0000
   180        0.5233             nan     0.0264   -0.0000
   200        0.5231             nan     0.0264   -0.0000
   220        0.5229             nan     0.0264   -0.0000
   240        0.5227             nan     0.0264   -0.0000
   260        0.5226             nan     0.0264   -0.0000
   280        0.5224             nan     0.0264   -0.0000
   300        0.5223             nan     0.0264   -0.0000
   320        0.5222             nan     0.0264   -0.0000
   323        0.5220             nan     0.0264   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5269             nan     0.0273    0.0000
     2        0.5268             nan     0.0273    0.0000
     3        0.5267             nan     0.0273    0.0000
     4        0.5266             nan     0.0273    0.0000
     5        0.5266             nan     0.0273    0.0000
     6        0.5265             nan     0.0273    0.0000
     7        0.5265             nan     0.0273    0.0000
     8        0.5264             nan     0.0273    0.0000
     9        0.5263             nan     0.0273    0.0000
    10        0.5263             nan     0.0273    0.0000
    20        0.5259             nan     0.0273    0.0000
    40        0.5252             nan     0.0273    0.0000
    60        0.5248             nan     0.0273    0.0000
    80        0.5244             nan     0.0273   -0.0000
   100        0.5241             nan     0.0273   -0.0000
   120        0.5239             nan     0.0273   -0.0000
   126        0.5238             nan     0.0273   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5269             nan     0.0277    0.0000
     2        0.5268             nan     0.0277   -0.0000
     3        0.5268             nan     0.0277    0.0000
     4        0.5268             nan     0.0277    0.0000
     5        0.5267             nan     0.0277    0.0000
     6        0.5267             nan     0.0277    0.0000
     7        0.5266             nan     0.0277    0.0000
     8        0.5266             nan     0.0277    0.0000
     9        0.5266             nan     0.0277    0.0000
    10        0.5265             nan     0.0277    0.0000
    20        0.5262             nan     0.0277    0.0000
    40        0.5258             nan     0.0277   -0.0000
    60        0.5254             nan     0.0277   -0.0000
    80        0.5252             nan     0.0277   -0.0000
   100        0.5250             nan     0.0277    0.0000
   120        0.5248             nan     0.0277   -0.0000
   140        0.5247             nan     0.0277   -0.0000
   160        0.5246             nan     0.0277   -0.0000
   180        0.5245             nan     0.0277   -0.0000
   200        0.5244             nan     0.0277   -0.0000
   220        0.5243             nan     0.0277   -0.0000
   240        0.5243             nan     0.0277   -0.0000
   260        0.5242             nan     0.0277   -0.0000
   280        0.5242             nan     0.0277   -0.0000
   300        0.5241             nan     0.0277   -0.0000
   320        0.5241             nan     0.0277   -0.0000
   340        0.5240             nan     0.0277   -0.0000
   360        0.5240             nan     0.0277   -0.0000
   380        0.5239             nan     0.0277   -0.0000
   400        0.5239             nan     0.0277   -0.0000
   420        0.5238             nan     0.0277   -0.0000
   440        0.5238             nan     0.0277   -0.0000
   460        0.5238             nan     0.0277   -0.0002
   480        0.5238             nan     0.0277    0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5269             nan     0.0286    0.0000
     2        0.5268             nan     0.0286    0.0000
     3        0.5268             nan     0.0286    0.0000
     4        0.5268             nan     0.0286    0.0000
     5        0.5267             nan     0.0286    0.0000
     6        0.5267             nan     0.0286    0.0000
     7        0.5266             nan     0.0286    0.0000
     8        0.5266             nan     0.0286    0.0000
     9        0.5266             nan     0.0286    0.0000
    10        0.5265             nan     0.0286    0.0000
    20        0.5262             nan     0.0286    0.0000
    40        0.5258             nan     0.0286    0.0000
    60        0.5254             nan     0.0286   -0.0000
    80        0.5251             nan     0.0286   -0.0000
   100        0.5249             nan     0.0286   -0.0000
   120        0.5248             nan     0.0286   -0.0000
   140        0.5247             nan     0.0286   -0.0000
   160        0.5246             nan     0.0286   -0.0000
   180        0.5245             nan     0.0286    0.0000
   200        0.5244             nan     0.0286   -0.0000
   220        0.5244             nan     0.0286   -0.0000
   240        0.5243             nan     0.0286   -0.0000
   260        0.5242             nan     0.0286   -0.0000
   280        0.5242             nan     0.0286   -0.0000
   300        0.5241             nan     0.0286   -0.0000
   320        0.5241             nan     0.0286   -0.0000
   340        0.5240             nan     0.0286   -0.0000
   360        0.5240             nan     0.0286   -0.0000
   380        0.5240             nan     0.0286   -0.0000
   400        0.5239             nan     0.0286   -0.0000
   420        0.5239             nan     0.0286   -0.0000
   440        0.5239             nan     0.0286   -0.0000
   460        0.5238             nan     0.0286   -0.0000
   480        0.5238             nan     0.0286   -0.0000
   500        0.5238             nan     0.0286   -0.0000
   520        0.5237             nan     0.0286   -0.0000
   540        0.5237             nan     0.0286   -0.0000
   560        0.5237             nan     0.0286   -0.0000
   580        0.5236             nan     0.0286   -0.0000
   600        0.5236             nan     0.0286   -0.0000
   620        0.5236             nan     0.0286   -0.0000
   640        0.5236             nan     0.0286   -0.0000
   660        0.5236             nan     0.0286   -0.0000
   680        0.5235             nan     0.0286   -0.0000
   700        0.5235             nan     0.0286   -0.0000
   720        0.5235             nan     0.0286   -0.0000
   740        0.5234             nan     0.0286   -0.0000
   760        0.5234             nan     0.0286   -0.0000
   780        0.5234             nan     0.0286   -0.0000
   800        0.5234             nan     0.0286   -0.0000
   820        0.5234             nan     0.0286   -0.0000
   840        0.5233             nan     0.0286   -0.0000
   860        0.5233             nan     0.0286   -0.0000
   880        0.5233             nan     0.0286   -0.0000
   900        0.5233             nan     0.0286   -0.0000
   920        0.5233             nan     0.0286   -0.0000
   922        0.5233             nan     0.0286   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5269             nan     0.0298    0.0000
     2        0.5268             nan     0.0298    0.0000
     3        0.5267             nan     0.0298    0.0000
     4        0.5267             nan     0.0298    0.0000
     5        0.5266             nan     0.0298    0.0000
     6        0.5265             nan     0.0298    0.0000
     7        0.5265             nan     0.0298    0.0000
     8        0.5264             nan     0.0298   -0.0000
     9        0.5264             nan     0.0298    0.0000
    10        0.5263             nan     0.0298    0.0000
    20        0.5258             nan     0.0298    0.0000
    40        0.5251             nan     0.0298    0.0000
    60        0.5247             nan     0.0298    0.0000
    80        0.5243             nan     0.0298    0.0000
   100        0.5240             nan     0.0298   -0.0000
   120        0.5237             nan     0.0298   -0.0000
   140        0.5235             nan     0.0298   -0.0000
   160        0.5233             nan     0.0298   -0.0000
   180        0.5231             nan     0.0298   -0.0000
   200        0.5229             nan     0.0298   -0.0000
   220        0.5226             nan     0.0298   -0.0000
   240        0.5224             nan     0.0298   -0.0000
   260        0.5223             nan     0.0298   -0.0000
   280        0.5221             nan     0.0298   -0.0000
   300        0.5219             nan     0.0298   -0.0000
   320        0.5219             nan     0.0298   -0.0000
   340        0.5217             nan     0.0298   -0.0000
   360        0.5215             nan     0.0298   -0.0000
   380        0.5213             nan     0.0298   -0.0000
   400        0.5212             nan     0.0298   -0.0000
   420        0.5211             nan     0.0298   -0.0000
   440        0.5210             nan     0.0298   -0.0000
   460        0.5208             nan     0.0298   -0.0000
   480        0.5206             nan     0.0298   -0.0000
   500        0.5205             nan     0.0298   -0.0000
   506        0.5204             nan     0.0298   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5269             nan     0.0305    0.0000
     2        0.5268             nan     0.0305    0.0000
     3        0.5267             nan     0.0305    0.0000
     4        0.5266             nan     0.0305    0.0000
     5        0.5266             nan     0.0305   -0.0000
     6        0.5265             nan     0.0305    0.0000
     7        0.5265             nan     0.0305    0.0000
     8        0.5264             nan     0.0305    0.0000
     9        0.5263             nan     0.0305    0.0000
    10        0.5263             nan     0.0305    0.0000
    20        0.5258             nan     0.0305    0.0000
    40        0.5252             nan     0.0305   -0.0000
    60        0.5247             nan     0.0305   -0.0000
    80        0.5244             nan     0.0305   -0.0000
   100        0.5241             nan     0.0305   -0.0000
   120        0.5238             nan     0.0305   -0.0000
   140        0.5235             nan     0.0305   -0.0000
   160        0.5233             nan     0.0305   -0.0000
   180        0.5231             nan     0.0305   -0.0000
   200        0.5228             nan     0.0305   -0.0000
   220        0.5226             nan     0.0305   -0.0000
   240        0.5224             nan     0.0305   -0.0000
   260        0.5223             nan     0.0305   -0.0000
   280        0.5221             nan     0.0305   -0.0000
   300        0.5219             nan     0.0305   -0.0000
   320        0.5217             nan     0.0305   -0.0000
   340        0.5216             nan     0.0305   -0.0000
   360        0.5215             nan     0.0305   -0.0000
   380        0.5213             nan     0.0305   -0.0000
   400        0.5212             nan     0.0305   -0.0000
   420        0.5211             nan     0.0305   -0.0000
   440        0.5208             nan     0.0305   -0.0000
   460        0.5207             nan     0.0305   -0.0000
   480        0.5205             nan     0.0305   -0.0000
   500        0.5204             nan     0.0305   -0.0000
   520        0.5202             nan     0.0305    0.0000
   540        0.5201             nan     0.0305   -0.0000
   560        0.5200             nan     0.0305   -0.0000
   580        0.5199             nan     0.0305   -0.0000
   600        0.5198             nan     0.0305   -0.0000
   620        0.5197             nan     0.0305   -0.0000
   628        0.5197             nan     0.0305   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5269             nan     0.0306    0.0000
     2        0.5268             nan     0.0306    0.0000
     3        0.5267             nan     0.0306    0.0000
     4        0.5267             nan     0.0306    0.0000
     5        0.5266             nan     0.0306    0.0000
     6        0.5265             nan     0.0306    0.0000
     7        0.5265             nan     0.0306    0.0000
     8        0.5264             nan     0.0306    0.0000
     9        0.5264             nan     0.0306    0.0000
    10        0.5264             nan     0.0306    0.0000
    20        0.5259             nan     0.0306    0.0000
    40        0.5252             nan     0.0306   -0.0001
    60        0.5247             nan     0.0306    0.0000
    80        0.5244             nan     0.0306    0.0000
   100        0.5241             nan     0.0306   -0.0000
   120        0.5238             nan     0.0306   -0.0000
   140        0.5235             nan     0.0306   -0.0000
   160        0.5232             nan     0.0306   -0.0000
   180        0.5230             nan     0.0306   -0.0000
   200        0.5228             nan     0.0306   -0.0000
   220        0.5226             nan     0.0306   -0.0000
   240        0.5223             nan     0.0306   -0.0000
   260        0.5222             nan     0.0306   -0.0000
   280        0.5220             nan     0.0306   -0.0000
   300        0.5218             nan     0.0306   -0.0000
   320        0.5217             nan     0.0306   -0.0000
   340        0.5215             nan     0.0306   -0.0000
   360        0.5214             nan     0.0306   -0.0000
   380        0.5213             nan     0.0306   -0.0000
   400        0.5212             nan     0.0306   -0.0000
   420        0.5211             nan     0.0306   -0.0000
   440        0.5208             nan     0.0306   -0.0000
   460        0.5207             nan     0.0306   -0.0000
   480        0.5205             nan     0.0306   -0.0000
   500        0.5204             nan     0.0306   -0.0000
   520        0.5203             nan     0.0306   -0.0000
   540        0.5202             nan     0.0306   -0.0000
   560        0.5200             nan     0.0306   -0.0000
   580        0.5200             nan     0.0306   -0.0000
   600        0.5198             nan     0.0306   -0.0000
   613        0.5198             nan     0.0306   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5268             nan     0.0370    0.0000
     2        0.5267             nan     0.0370    0.0000
     3        0.5265             nan     0.0370    0.0001
     4        0.5264             nan     0.0370    0.0000
     5        0.5263             nan     0.0370    0.0000
     6        0.5261             nan     0.0370    0.0000
     7        0.5260             nan     0.0370    0.0000
     8        0.5259             nan     0.0370    0.0000
     9        0.5259             nan     0.0370    0.0000
    10        0.5258             nan     0.0370    0.0000
    20        0.5249             nan     0.0370   -0.0000
    40        0.5236             nan     0.0370    0.0000
    60        0.5225             nan     0.0370   -0.0000
    80        0.5216             nan     0.0370   -0.0000
   100        0.5208             nan     0.0370   -0.0000
   120        0.5202             nan     0.0370   -0.0000
   140        0.5196             nan     0.0370   -0.0002
   160        0.5189             nan     0.0370   -0.0000
   180        0.5185             nan     0.0370   -0.0000
   200        0.5178             nan     0.0370   -0.0000
   220        0.5173             nan     0.0370   -0.0000
   240        0.5167             nan     0.0370   -0.0000
   260        0.5163             nan     0.0370   -0.0000
   280        0.5158             nan     0.0370   -0.0000
   300        0.5153             nan     0.0370   -0.0000
   320        0.5147             nan     0.0370   -0.0000
   340        0.5142             nan     0.0370   -0.0000
   360        0.5137             nan     0.0370   -0.0000
   380        0.5134             nan     0.0370   -0.0000
   400        0.5129             nan     0.0370   -0.0000
   420        0.5124             nan     0.0370   -0.0000
   440        0.5121             nan     0.0370   -0.0001
   460        0.5117             nan     0.0370   -0.0000
   480        0.5111             nan     0.0370   -0.0000
   500        0.5108             nan     0.0370   -0.0000
   520        0.5105             nan     0.0370   -0.0000
   540        0.5102             nan     0.0370   -0.0000
   560        0.5099             nan     0.0370   -0.0000
   580        0.5096             nan     0.0370   -0.0000
   595        0.5093             nan     0.0370   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5269             nan     0.0402    0.0000
     2        0.5268             nan     0.0402    0.0000
     3        0.5268             nan     0.0402    0.0000
     4        0.5267             nan     0.0402    0.0000
     5        0.5266             nan     0.0402    0.0000
     6        0.5266             nan     0.0402    0.0000
     7        0.5265             nan     0.0402    0.0000
     8        0.5265             nan     0.0402    0.0000
     9        0.5264             nan     0.0402    0.0000
    10        0.5264             nan     0.0402    0.0000
    20        0.5260             nan     0.0402    0.0000
    40        0.5255             nan     0.0402    0.0000
    60        0.5251             nan     0.0402    0.0000
    80        0.5249             nan     0.0402   -0.0000
   100        0.5247             nan     0.0402   -0.0000
   120        0.5245             nan     0.0402   -0.0000
   140        0.5244             nan     0.0402   -0.0000
   160        0.5243             nan     0.0402   -0.0000
   180        0.5242             nan     0.0402   -0.0000
   200        0.5242             nan     0.0402   -0.0000
   220        0.5242             nan     0.0402   -0.0000
   240        0.5241             nan     0.0402   -0.0000
   260        0.5240             nan     0.0402   -0.0000
   280        0.5239             nan     0.0402   -0.0000
   300        0.5239             nan     0.0402   -0.0000
   320        0.5239             nan     0.0402   -0.0000
   340        0.5238             nan     0.0402   -0.0000
   360        0.5238             nan     0.0402   -0.0000
   380        0.5237             nan     0.0402   -0.0000
   400        0.5237             nan     0.0402   -0.0000
   420        0.5237             nan     0.0402   -0.0000
   440        0.5236             nan     0.0402   -0.0000
   460        0.5236             nan     0.0402   -0.0000
   480        0.5236             nan     0.0402   -0.0000
   500        0.5235             nan     0.0402   -0.0000
   520        0.5235             nan     0.0402   -0.0000
   540        0.5235             nan     0.0402   -0.0000
   560        0.5235             nan     0.0402   -0.0000
   580        0.5234             nan     0.0402   -0.0000
   600        0.5234             nan     0.0402   -0.0000
   620        0.5234             nan     0.0402   -0.0000
   640        0.5234             nan     0.0402   -0.0000
   660        0.5233             nan     0.0402   -0.0000
   680        0.5233             nan     0.0402   -0.0000
   700        0.5233             nan     0.0402   -0.0000
   720        0.5233             nan     0.0402   -0.0000
   740        0.5232             nan     0.0402   -0.0000
   747        0.5232             nan     0.0402   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5268             nan     0.0405    0.0000
     2        0.5267             nan     0.0405    0.0000
     3        0.5266             nan     0.0405    0.0000
     4        0.5266             nan     0.0405    0.0000
     5        0.5265             nan     0.0405    0.0000
     6        0.5264             nan     0.0405    0.0000
     7        0.5264             nan     0.0405    0.0000
     8        0.5263             nan     0.0405    0.0000
     9        0.5262             nan     0.0405    0.0000
    10        0.5262             nan     0.0405    0.0000
    20        0.5256             nan     0.0405   -0.0000
    40        0.5250             nan     0.0405   -0.0000
    60        0.5243             nan     0.0405   -0.0000
    80        0.5240             nan     0.0405   -0.0000
   100        0.5236             nan     0.0405    0.0000
   120        0.5233             nan     0.0405   -0.0000
   140        0.5230             nan     0.0405   -0.0000
   160        0.5227             nan     0.0405   -0.0000
   180        0.5225             nan     0.0405   -0.0000
   200        0.5223             nan     0.0405   -0.0000
   220        0.5221             nan     0.0405   -0.0000
   240        0.5219             nan     0.0405   -0.0000
   260        0.5217             nan     0.0405   -0.0000
   280        0.5215             nan     0.0405   -0.0000
   300        0.5213             nan     0.0405   -0.0000
   320        0.5211             nan     0.0405   -0.0000
   340        0.5210             nan     0.0405   -0.0000
   360        0.5207             nan     0.0405   -0.0000
   380        0.5205             nan     0.0405   -0.0000
   400        0.5205             nan     0.0405   -0.0000
   420        0.5204             nan     0.0405   -0.0000
   440        0.5203             nan     0.0405   -0.0000
   460        0.5201             nan     0.0405   -0.0000
   480        0.5200             nan     0.0405   -0.0000
   500        0.5198             nan     0.0405   -0.0000
   520        0.5197             nan     0.0405   -0.0000
   540        0.5195             nan     0.0405   -0.0000
   560        0.5193             nan     0.0405   -0.0000
   580        0.5192             nan     0.0405   -0.0000
   600        0.5188             nan     0.0405   -0.0000
   620        0.5188             nan     0.0405   -0.0000
   640        0.5187             nan     0.0405   -0.0000
   650        0.5186             nan     0.0405   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5268             nan     0.0413    0.0000
     2        0.5267             nan     0.0413    0.0000
     3        0.5265             nan     0.0413   -0.0001
     4        0.5264             nan     0.0413    0.0000
     5        0.5262             nan     0.0413    0.0000
     6        0.5262             nan     0.0413    0.0000
     7        0.5261             nan     0.0413    0.0000
     8        0.5260             nan     0.0413    0.0000
     9        0.5259             nan     0.0413    0.0000
    10        0.5258             nan     0.0413    0.0000
    20        0.5249             nan     0.0413   -0.0000
    40        0.5237             nan     0.0413   -0.0000
    60        0.5230             nan     0.0413   -0.0003
    80        0.5222             nan     0.0413   -0.0000
   100        0.5216             nan     0.0413   -0.0000
   120        0.5210             nan     0.0413   -0.0000
   140        0.5204             nan     0.0413   -0.0000
   160        0.5198             nan     0.0413   -0.0000
   180        0.5193             nan     0.0413   -0.0000
   200        0.5189             nan     0.0413   -0.0000
   220        0.5185             nan     0.0413   -0.0001
   240        0.5178             nan     0.0413   -0.0000
   260        0.5174             nan     0.0413   -0.0000
   280        0.5169             nan     0.0413   -0.0000
   300        0.5165             nan     0.0413   -0.0001
   320        0.5162             nan     0.0413   -0.0000
   340        0.5155             nan     0.0413   -0.0000
   360        0.5151             nan     0.0413   -0.0001
   380        0.5147             nan     0.0413   -0.0000
   400        0.5144             nan     0.0413   -0.0000
   420        0.5140             nan     0.0413   -0.0000
   425        0.5139             nan     0.0413   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5268             nan     0.0502    0.0000
     2        0.5267             nan     0.0502    0.0000
     3        0.5266             nan     0.0502    0.0000
     4        0.5265             nan     0.0502    0.0000
     5        0.5264             nan     0.0502    0.0000
     6        0.5263             nan     0.0502    0.0000
     7        0.5262             nan     0.0502    0.0000
     8        0.5260             nan     0.0502    0.0000
     9        0.5260             nan     0.0502   -0.0000
    10        0.5259             nan     0.0502    0.0000
    20        0.5253             nan     0.0502    0.0000
    40        0.5244             nan     0.0502    0.0000
    60        0.5239             nan     0.0502   -0.0000
    80        0.5236             nan     0.0502   -0.0000
   100        0.5232             nan     0.0502   -0.0000
   120        0.5230             nan     0.0502   -0.0000
   140        0.5227             nan     0.0502   -0.0000
   160        0.5224             nan     0.0502   -0.0000
   180        0.5220             nan     0.0502   -0.0000
   200        0.5218             nan     0.0502   -0.0000
   220        0.5215             nan     0.0502   -0.0000
   240        0.5213             nan     0.0502   -0.0000
   260        0.5212             nan     0.0502   -0.0000
   280        0.5210             nan     0.0502   -0.0000
   300        0.5206             nan     0.0502   -0.0000
   320        0.5204             nan     0.0502   -0.0000
   340        0.5203             nan     0.0502   -0.0000
   360        0.5199             nan     0.0502   -0.0000
   380        0.5197             nan     0.0502   -0.0000
   400        0.5195             nan     0.0502   -0.0000
   420        0.5193             nan     0.0502    0.0000
   440        0.5191             nan     0.0502   -0.0000
   460        0.5190             nan     0.0502   -0.0000
   480        0.5188             nan     0.0502   -0.0000
   500        0.5186             nan     0.0502   -0.0000
   520        0.5185             nan     0.0502   -0.0000
   540        0.5183             nan     0.0502   -0.0000
   559        0.5183             nan     0.0502   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5267             nan     0.0536    0.0001
     2        0.5265             nan     0.0536    0.0001
     3        0.5263             nan     0.0536    0.0001
     4        0.5261             nan     0.0536    0.0000
     5        0.5259             nan     0.0536    0.0000
     6        0.5258             nan     0.0536    0.0000
     7        0.5256             nan     0.0536    0.0000
     8        0.5255             nan     0.0536    0.0000
     9        0.5254             nan     0.0536    0.0000
    10        0.5253             nan     0.0536    0.0000
    20        0.5240             nan     0.0536   -0.0000
    40        0.5228             nan     0.0536   -0.0000
    60        0.5215             nan     0.0536   -0.0000
    80        0.5205             nan     0.0536   -0.0000
   100        0.5197             nan     0.0536   -0.0000
   120        0.5186             nan     0.0536   -0.0000
   140        0.5178             nan     0.0536   -0.0000
   160        0.5169             nan     0.0536   -0.0000
   173        0.5162             nan     0.0536    0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5267             nan     0.0631    0.0001
     2        0.5264             nan     0.0631    0.0001
     3        0.5262             nan     0.0631    0.0000
     4        0.5261             nan     0.0631    0.0000
     5        0.5259             nan     0.0631    0.0000
     6        0.5258             nan     0.0631    0.0000
     7        0.5257             nan     0.0631    0.0000
     8        0.5255             nan     0.0631    0.0000
     9        0.5254             nan     0.0631    0.0000
    10        0.5253             nan     0.0631    0.0000
    20        0.5243             nan     0.0631   -0.0000
    40        0.5230             nan     0.0631   -0.0000
    60        0.5220             nan     0.0631   -0.0001
    80        0.5209             nan     0.0631   -0.0000
   100        0.5200             nan     0.0631   -0.0000
   120        0.5192             nan     0.0631   -0.0000
   140        0.5184             nan     0.0631   -0.0000
   160        0.5178             nan     0.0631   -0.0001
   180        0.5169             nan     0.0631   -0.0001
   200        0.5163             nan     0.0631   -0.0000
   220        0.5156             nan     0.0631   -0.0000
   240        0.5150             nan     0.0631   -0.0000
   260        0.5143             nan     0.0631   -0.0000
   280        0.5136             nan     0.0631   -0.0000
   300        0.5131             nan     0.0631   -0.0000
   320        0.5125             nan     0.0631   -0.0000
   340        0.5119             nan     0.0631   -0.0000
   360        0.5113             nan     0.0631   -0.0000
   380        0.5108             nan     0.0631   -0.0001
   400        0.5103             nan     0.0631   -0.0000
   420        0.5095             nan     0.0631   -0.0001
   440        0.5090             nan     0.0631   -0.0000
   460        0.5087             nan     0.0631   -0.0000
   480        0.5083             nan     0.0631   -0.0000
   500        0.5081             nan     0.0631   -0.0002
   520        0.5077             nan     0.0631   -0.0000
   540        0.5072             nan     0.0631   -0.0000
   560        0.5068             nan     0.0631   -0.0000
   580        0.5063             nan     0.0631   -0.0001
   600        0.5058             nan     0.0631   -0.0000
   620        0.5054             nan     0.0631   -0.0000
   622        0.5053             nan     0.0631   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5268             nan     0.0632    0.0000
     2        0.5266             nan     0.0632    0.0000
     3        0.5263             nan     0.0632    0.0001
     4        0.5262             nan     0.0632    0.0000
     5        0.5260             nan     0.0632    0.0000
     6        0.5259             nan     0.0632    0.0001
     7        0.5258             nan     0.0632    0.0000
     8        0.5257             nan     0.0632    0.0000
     9        0.5255             nan     0.0632   -0.0000
    10        0.5254             nan     0.0632    0.0000
    20        0.5246             nan     0.0632   -0.0000
    40        0.5235             nan     0.0632   -0.0000
    60        0.5227             nan     0.0632   -0.0000
    80        0.5220             nan     0.0632   -0.0000
   100        0.5214             nan     0.0632   -0.0000
   120        0.5209             nan     0.0632   -0.0000
   140        0.5204             nan     0.0632   -0.0000
   160        0.5199             nan     0.0632   -0.0000
   180        0.5195             nan     0.0632   -0.0000
   200        0.5192             nan     0.0632   -0.0000
   220        0.5188             nan     0.0632   -0.0000
   240        0.5185             nan     0.0632   -0.0000
   260        0.5181             nan     0.0632   -0.0000
   280        0.5179             nan     0.0632   -0.0000
   296        0.5175             nan     0.0632   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5266             nan     0.0632    0.0001
     2        0.5264             nan     0.0632    0.0001
     3        0.5261             nan     0.0632    0.0001
     4        0.5259             nan     0.0632    0.0000
     5        0.5258             nan     0.0632    0.0000
     6        0.5257             nan     0.0632    0.0000
     7        0.5255             nan     0.0632    0.0000
     8        0.5253             nan     0.0632    0.0000
     9        0.5252             nan     0.0632    0.0000
    10        0.5251             nan     0.0632   -0.0000
    20        0.5240             nan     0.0632   -0.0000
    40        0.5225             nan     0.0632   -0.0000
    60        0.5214             nan     0.0632   -0.0000
    80        0.5203             nan     0.0632   -0.0000
   100        0.5194             nan     0.0632   -0.0000
   120        0.5186             nan     0.0632   -0.0000
   140        0.5177             nan     0.0632   -0.0000
   160        0.5169             nan     0.0632   -0.0000
   180        0.5162             nan     0.0632   -0.0000
   200        0.5156             nan     0.0632   -0.0000
   220        0.5149             nan     0.0632   -0.0000
   240        0.5142             nan     0.0632   -0.0001
   260        0.5136             nan     0.0632   -0.0001
   280        0.5130             nan     0.0632   -0.0000
   300        0.5124             nan     0.0632   -0.0000
   320        0.5119             nan     0.0632   -0.0001
   340        0.5111             nan     0.0632   -0.0001
   360        0.5107             nan     0.0632   -0.0001
   380        0.5100             nan     0.0632   -0.0000
   400        0.5096             nan     0.0632   -0.0000
   420        0.5091             nan     0.0632   -0.0001
   440        0.5087             nan     0.0632   -0.0000
   460        0.5081             nan     0.0632   -0.0000
   480        0.5076             nan     0.0632   -0.0000
   500        0.5073             nan     0.0632   -0.0000
   520        0.5069             nan     0.0632   -0.0000
   540        0.5065             nan     0.0632   -0.0001
   560        0.5061             nan     0.0632   -0.0000
   580        0.5057             nan     0.0632   -0.0001
   600        0.5053             nan     0.0632   -0.0000
   610        0.5050             nan     0.0632   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5268             nan     0.0647    0.0000
     2        0.5267             nan     0.0647    0.0000
     3        0.5266             nan     0.0647    0.0000
     4        0.5266             nan     0.0647    0.0000
     5        0.5265             nan     0.0647    0.0000
     6        0.5264             nan     0.0647    0.0000
     7        0.5263             nan     0.0647    0.0000
     8        0.5262             nan     0.0647   -0.0000
     9        0.5262             nan     0.0647    0.0000
    10        0.5261             nan     0.0647    0.0000
    20        0.5256             nan     0.0647    0.0000
    40        0.5250             nan     0.0647   -0.0000
    60        0.5247             nan     0.0647    0.0000
    80        0.5244             nan     0.0647   -0.0000
   100        0.5243             nan     0.0647   -0.0000
   120        0.5242             nan     0.0647   -0.0000
   140        0.5241             nan     0.0647   -0.0000
   160        0.5242             nan     0.0647   -0.0000
   180        0.5241             nan     0.0647   -0.0000
   200        0.5240             nan     0.0647   -0.0000
   220        0.5238             nan     0.0647   -0.0000
   227        0.5238             nan     0.0647   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5268             nan     0.0655    0.0000
     2        0.5265             nan     0.0655    0.0000
     3        0.5264             nan     0.0655    0.0000
     4        0.5262             nan     0.0655    0.0000
     5        0.5261             nan     0.0655    0.0001
     6        0.5260             nan     0.0655   -0.0000
     7        0.5259             nan     0.0655    0.0000
     8        0.5258             nan     0.0655   -0.0000
     9        0.5257             nan     0.0655    0.0000
    10        0.5256             nan     0.0655   -0.0000
    20        0.5248             nan     0.0655   -0.0000
    40        0.5238             nan     0.0655    0.0000
    60        0.5230             nan     0.0655   -0.0000
    80        0.5222             nan     0.0655   -0.0000
   100        0.5215             nan     0.0655   -0.0001
   120        0.5211             nan     0.0655   -0.0003
   140        0.5203             nan     0.0655   -0.0000
   160        0.5198             nan     0.0655   -0.0000
   180        0.5192             nan     0.0655   -0.0000
   200        0.5189             nan     0.0655    0.0000
   220        0.5183             nan     0.0655   -0.0000
   240        0.5177             nan     0.0655   -0.0000
   260        0.5174             nan     0.0655   -0.0000
   280        0.5171             nan     0.0655   -0.0001
   300        0.5166             nan     0.0655   -0.0000
   320        0.5165             nan     0.0655   -0.0002
   340        0.5160             nan     0.0655   -0.0000
   360        0.5156             nan     0.0655   -0.0000
   380        0.5152             nan     0.0655   -0.0000
   400        0.5148             nan     0.0655   -0.0001
   420        0.5147             nan     0.0655   -0.0003
   440        0.5142             nan     0.0655   -0.0000
   460        0.5138             nan     0.0655   -0.0000
   480        0.5134             nan     0.0655   -0.0000
   500        0.5133             nan     0.0655   -0.0003
   520        0.5129             nan     0.0655   -0.0000
   540        0.5124             nan     0.0655   -0.0000
   560        0.5123             nan     0.0655   -0.0000
   580        0.5119             nan     0.0655   -0.0000
   600        0.5116             nan     0.0655   -0.0000
   620        0.5113             nan     0.0655   -0.0000
   640        0.5113             nan     0.0655   -0.0003
   642        0.5112             nan     0.0655   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5266             nan     0.0664    0.0001
     2        0.5263             nan     0.0664    0.0001
     3        0.5261             nan     0.0664   -0.0000
     4        0.5259             nan     0.0664    0.0000
     5        0.5257             nan     0.0664    0.0000
     6        0.5255             nan     0.0664    0.0000
     7        0.5254             nan     0.0664   -0.0000
     8        0.5253             nan     0.0664    0.0000
     9        0.5252             nan     0.0664    0.0000
    10        0.5251             nan     0.0664    0.0000
    20        0.5238             nan     0.0664   -0.0000
    40        0.5222             nan     0.0664   -0.0000
    51        0.5214             nan     0.0664   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5266             nan     0.0683    0.0001
     2        0.5264             nan     0.0683    0.0000
     3        0.5263             nan     0.0683    0.0000
     4        0.5260             nan     0.0683    0.0001
     5        0.5259             nan     0.0683    0.0000
     6        0.5258             nan     0.0683    0.0000
     7        0.5256             nan     0.0683   -0.0000
     8        0.5255             nan     0.0683    0.0000
     9        0.5253             nan     0.0683    0.0000
    10        0.5252             nan     0.0683    0.0000
    20        0.5239             nan     0.0683   -0.0000
    40        0.5224             nan     0.0683   -0.0000
    52        0.5219             nan     0.0683   -0.0002

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5268             nan     0.0702    0.0001
     2        0.5267             nan     0.0702    0.0000
     3        0.5266             nan     0.0702    0.0000
     4        0.5265             nan     0.0702    0.0000
     5        0.5264             nan     0.0702    0.0000
     6        0.5263             nan     0.0702    0.0000
     7        0.5262             nan     0.0702    0.0000
     8        0.5262             nan     0.0702    0.0000
     9        0.5261             nan     0.0702   -0.0000
    10        0.5260             nan     0.0702    0.0000
    20        0.5255             nan     0.0702   -0.0000
    40        0.5250             nan     0.0702   -0.0000
    60        0.5247             nan     0.0702   -0.0000
    80        0.5245             nan     0.0702   -0.0000
   100        0.5243             nan     0.0702   -0.0000
   120        0.5242             nan     0.0702   -0.0000
   140        0.5240             nan     0.0702   -0.0000
   158        0.5240             nan     0.0702   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5267             nan     0.0708    0.0000
     2        0.5265             nan     0.0708    0.0001
     3        0.5264             nan     0.0708    0.0000
     4        0.5262             nan     0.0708    0.0001
     5        0.5260             nan     0.0708    0.0000
     6        0.5258             nan     0.0708    0.0000
     7        0.5257             nan     0.0708    0.0000
     8        0.5256             nan     0.0708   -0.0000
     9        0.5254             nan     0.0708    0.0001
    10        0.5253             nan     0.0708   -0.0000
    20        0.5244             nan     0.0708    0.0001
    40        0.5234             nan     0.0708   -0.0001
    60        0.5223             nan     0.0708   -0.0000
    80        0.5217             nan     0.0708   -0.0000
   100        0.5211             nan     0.0708   -0.0000
   120        0.5205             nan     0.0708   -0.0000
   140        0.5199             nan     0.0708   -0.0000
   160        0.5194             nan     0.0708   -0.0002
   180        0.5190             nan     0.0708   -0.0000
   200        0.5184             nan     0.0708   -0.0000
   220        0.5179             nan     0.0708   -0.0000
   240        0.5175             nan     0.0708   -0.0000
   260        0.5171             nan     0.0708   -0.0000
   280        0.5166             nan     0.0708   -0.0000
   300        0.5162             nan     0.0708   -0.0000
   320        0.5157             nan     0.0708   -0.0000
   340        0.5153             nan     0.0708   -0.0000
   360        0.5149             nan     0.0708   -0.0000
   380        0.5147             nan     0.0708   -0.0000
   400        0.5142             nan     0.0708   -0.0000
   420        0.5138             nan     0.0708   -0.0001
   440        0.5135             nan     0.0708   -0.0000
   460        0.5131             nan     0.0708   -0.0000
   480        0.5128             nan     0.0708   -0.0002
   500        0.5123             nan     0.0708   -0.0000
   520        0.5118             nan     0.0708   -0.0000
   540        0.5115             nan     0.0708   -0.0000
   559        0.5111             nan     0.0708   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5268             nan     0.0712    0.0001
     2        0.5267             nan     0.0712    0.0000
     3        0.5266             nan     0.0712    0.0000
     4        0.5265             nan     0.0712    0.0000
     5        0.5265             nan     0.0712    0.0000
     6        0.5264             nan     0.0712    0.0000
     7        0.5263             nan     0.0712    0.0000
     8        0.5262             nan     0.0712    0.0000
     9        0.5262             nan     0.0712    0.0000
    10        0.5261             nan     0.0712    0.0000
    20        0.5256             nan     0.0712   -0.0000
    40        0.5250             nan     0.0712   -0.0000
    60        0.5246             nan     0.0712   -0.0000
    80        0.5243             nan     0.0712   -0.0000
   100        0.5242             nan     0.0712   -0.0000
   120        0.5241             nan     0.0712   -0.0000
   140        0.5240             nan     0.0712   -0.0000
   160        0.5239             nan     0.0712   -0.0000
   180        0.5238             nan     0.0712   -0.0000
   200        0.5239             nan     0.0712   -0.0000
   220        0.5238             nan     0.0712   -0.0000
   240        0.5237             nan     0.0712   -0.0000
   260        0.5237             nan     0.0712   -0.0000
   280        0.5236             nan     0.0712   -0.0000
   300        0.5235             nan     0.0712   -0.0000
   320        0.5235             nan     0.0712   -0.0000
   340        0.5234             nan     0.0712   -0.0000
   360        0.5234             nan     0.0712   -0.0000
   380        0.5233             nan     0.0712   -0.0000
   400        0.5233             nan     0.0712   -0.0000
   420        0.5232             nan     0.0712   -0.0000
   440        0.5232             nan     0.0712   -0.0000
   441        0.5232             nan     0.0712   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5267             nan     0.0722    0.0001
     2        0.5265             nan     0.0722    0.0000
     3        0.5262             nan     0.0722    0.0000
     4        0.5260             nan     0.0722    0.0001
     5        0.5258             nan     0.0722    0.0001
     6        0.5256             nan     0.0722    0.0000
     7        0.5254             nan     0.0722    0.0000
     8        0.5253             nan     0.0722    0.0000
     9        0.5252             nan     0.0722    0.0000
    10        0.5251             nan     0.0722   -0.0000
    20        0.5240             nan     0.0722   -0.0000
    40        0.5226             nan     0.0722   -0.0000
    60        0.5218             nan     0.0722   -0.0001
    80        0.5203             nan     0.0722   -0.0002
   100        0.5190             nan     0.0722   -0.0000
   120        0.5182             nan     0.0722   -0.0000
   140        0.5174             nan     0.0722   -0.0000
   160        0.5169             nan     0.0722   -0.0000
   180        0.5160             nan     0.0722   -0.0000
   200        0.5154             nan     0.0722   -0.0000
   220        0.5146             nan     0.0722   -0.0000
   240        0.5141             nan     0.0722   -0.0001
   260        0.5136             nan     0.0722   -0.0000
   280        0.5129             nan     0.0722   -0.0000
   300        0.5122             nan     0.0722   -0.0000
   320        0.5116             nan     0.0722   -0.0000
   340        0.5111             nan     0.0722   -0.0000
   360        0.5108             nan     0.0722   -0.0000
   380        0.5103             nan     0.0722   -0.0000
   400        0.5101             nan     0.0722   -0.0000
   419        0.5096             nan     0.0722   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5267             nan     0.0781    0.0001
     2        0.5265             nan     0.0781    0.0000
     3        0.5263             nan     0.0781    0.0001
     4        0.5261             nan     0.0781    0.0000
     5        0.5260             nan     0.0781    0.0000
     6        0.5259             nan     0.0781   -0.0000
     7        0.5258             nan     0.0781    0.0000
     8        0.5257             nan     0.0781    0.0000
     9        0.5256             nan     0.0781   -0.0000
    10        0.5255             nan     0.0781    0.0000
    20        0.5248             nan     0.0781    0.0000
    40        0.5240             nan     0.0781   -0.0000
    60        0.5238             nan     0.0781   -0.0000
    80        0.5233             nan     0.0781   -0.0000
   100        0.5227             nan     0.0781   -0.0001
   120        0.5223             nan     0.0781   -0.0000
   140        0.5219             nan     0.0781   -0.0000
   160        0.5215             nan     0.0781   -0.0000
   180        0.5213             nan     0.0781   -0.0000
   200        0.5210             nan     0.0781   -0.0000
   220        0.5207             nan     0.0781   -0.0000
   240        0.5203             nan     0.0781   -0.0000
   260        0.5201             nan     0.0781   -0.0000
   280        0.5199             nan     0.0781   -0.0000
   300        0.5198             nan     0.0781   -0.0000
   320        0.5197             nan     0.0781   -0.0000
   340        0.5194             nan     0.0781   -0.0000
   360        0.5192             nan     0.0781   -0.0000
   380        0.5190             nan     0.0781   -0.0000
   400        0.5188             nan     0.0781   -0.0000
   420        0.5186             nan     0.0781   -0.0000
   440        0.5184             nan     0.0781   -0.0000
   460        0.5186             nan     0.0781   -0.0005
   480        0.5182             nan     0.0781   -0.0000
   500        0.5179             nan     0.0781   -0.0000
   520        0.5179             nan     0.0781   -0.0000
   540        0.5178             nan     0.0781   -0.0000
   560        0.5176             nan     0.0781   -0.0000
   580        0.5174             nan     0.0781   -0.0000
   600        0.5173             nan     0.0781   -0.0000
   620        0.5171             nan     0.0781   -0.0000
   640        0.5168             nan     0.0781   -0.0000
   660        0.5168             nan     0.0781   -0.0000
   680        0.5167             nan     0.0781   -0.0000
   700        0.5164             nan     0.0781   -0.0000
   720        0.5162             nan     0.0781   -0.0001
   740        0.5159             nan     0.0781   -0.0000
   760        0.5157             nan     0.0781   -0.0000
   780        0.5160             nan     0.0781   -0.0000
   800        0.5161             nan     0.0781   -0.0000
   820        0.5157             nan     0.0781   -0.0000
   840        0.5156             nan     0.0781   -0.0000
   860        0.5153             nan     0.0781   -0.0000
   880        0.5152             nan     0.0781   -0.0002
   900        0.5150             nan     0.0781   -0.0000
   920        0.5148             nan     0.0781   -0.0000
   923        0.5147             nan     0.0781   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5266             nan     0.0784    0.0001
     2        0.5263             nan     0.0784    0.0001
     3        0.5260             nan     0.0784    0.0001
     4        0.5259             nan     0.0784    0.0000
     5        0.5256             nan     0.0784    0.0001
     6        0.5254             nan     0.0784    0.0000
     7        0.5252             nan     0.0784    0.0001
     8        0.5251             nan     0.0784   -0.0001
     9        0.5250             nan     0.0784   -0.0000
    10        0.5248             nan     0.0784    0.0000
    20        0.5236             nan     0.0784    0.0000
    40        0.5220             nan     0.0784   -0.0001
    60        0.5207             nan     0.0784   -0.0000
    80        0.5190             nan     0.0784   -0.0000
   100        0.5177             nan     0.0784   -0.0000
   120        0.5169             nan     0.0784   -0.0000
   140        0.5153             nan     0.0784   -0.0000
   160        0.5142             nan     0.0784   -0.0000
   180        0.5132             nan     0.0784   -0.0001
   200        0.5124             nan     0.0784   -0.0000
   220        0.5113             nan     0.0784   -0.0000
   240        0.5101             nan     0.0784   -0.0000
   260        0.5092             nan     0.0784   -0.0001
   280        0.5082             nan     0.0784   -0.0000
   300        0.5072             nan     0.0784   -0.0000
   320        0.5065             nan     0.0784   -0.0000
   340        0.5057             nan     0.0784   -0.0002
   360        0.5058             nan     0.0784   -0.0000
   380        0.5054             nan     0.0784   -0.0000
   400        0.5048             nan     0.0784   -0.0000
   420        0.5042             nan     0.0784   -0.0002
   440        0.5032             nan     0.0784   -0.0000
   460        0.5026             nan     0.0784   -0.0000
   480        0.5018             nan     0.0784   -0.0001
   500        0.5009             nan     0.0784   -0.0001
   520        0.5001             nan     0.0784   -0.0000
   540        0.4993             nan     0.0784   -0.0001
   560        0.4989             nan     0.0784   -0.0000
   580        0.4983             nan     0.0784   -0.0001
   600        0.4978             nan     0.0784   -0.0001
   620        0.4971             nan     0.0784   -0.0000
   640        0.4968             nan     0.0784   -0.0000
   660        0.4964             nan     0.0784   -0.0002
   680        0.4958             nan     0.0784   -0.0000
   700        0.4953             nan     0.0784   -0.0000
   720        0.4946             nan     0.0784   -0.0000
   740        0.4941             nan     0.0784   -0.0001
   760        0.4934             nan     0.0784   -0.0001
   780        0.4927             nan     0.0784   -0.0001
   790        0.4925             nan     0.0784   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5267             nan     0.0794    0.0001
     2        0.5266             nan     0.0794    0.0000
     3        0.5264             nan     0.0794    0.0000
     4        0.5263             nan     0.0794    0.0000
     5        0.5262             nan     0.0794    0.0000
     6        0.5261             nan     0.0794    0.0000
     7        0.5260             nan     0.0794    0.0000
     8        0.5259             nan     0.0794   -0.0000
     9        0.5258             nan     0.0794    0.0000
    10        0.5257             nan     0.0794   -0.0000
    20        0.5249             nan     0.0794   -0.0000
    40        0.5241             nan     0.0794   -0.0000
    60        0.5234             nan     0.0794   -0.0000
    80        0.5229             nan     0.0794   -0.0000
   100        0.5225             nan     0.0794   -0.0000
   120        0.5220             nan     0.0794   -0.0000
   140        0.5217             nan     0.0794   -0.0000
   160        0.5214             nan     0.0794   -0.0000
   180        0.5211             nan     0.0794   -0.0000
   200        0.5210             nan     0.0794    0.0000
   220        0.5208             nan     0.0794   -0.0000
   240        0.5205             nan     0.0794   -0.0000
   260        0.5202             nan     0.0794   -0.0000
   280        0.5201             nan     0.0794   -0.0000
   300        0.5197             nan     0.0794   -0.0000
   320        0.5194             nan     0.0794   -0.0000
   340        0.5191             nan     0.0794   -0.0000
   351        0.5190             nan     0.0794   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5266             nan     0.0809    0.0001
     2        0.5264             nan     0.0809    0.0000
     3        0.5263             nan     0.0809    0.0000
     4        0.5262             nan     0.0809    0.0000
     5        0.5260             nan     0.0809    0.0000
     6        0.5258             nan     0.0809    0.0001
     7        0.5257             nan     0.0809    0.0000
     8        0.5257             nan     0.0809   -0.0000
     9        0.5255             nan     0.0809    0.0000
    10        0.5254             nan     0.0809    0.0000
    20        0.5245             nan     0.0809   -0.0000
    40        0.5232             nan     0.0809   -0.0000
    60        0.5227             nan     0.0809   -0.0000
    80        0.5217             nan     0.0809   -0.0000
   100        0.5209             nan     0.0809    0.0000
   120        0.5201             nan     0.0809   -0.0000
   140        0.5194             nan     0.0809   -0.0000
   160        0.5194             nan     0.0809   -0.0000
   180        0.5186             nan     0.0809   -0.0000
   200        0.5180             nan     0.0809   -0.0000
   220        0.5175             nan     0.0809   -0.0000
   240        0.5170             nan     0.0809   -0.0001
   260        0.5165             nan     0.0809   -0.0001
   280        0.5159             nan     0.0809   -0.0000
   300        0.5156             nan     0.0809   -0.0003
   320        0.5149             nan     0.0809   -0.0003
   340        0.5141             nan     0.0809   -0.0000
   360        0.5141             nan     0.0809   -0.0000
   380        0.5138             nan     0.0809   -0.0000
   400        0.5135             nan     0.0809   -0.0000
   420        0.5132             nan     0.0809   -0.0000
   440        0.5129             nan     0.0809   -0.0000
   460        0.5126             nan     0.0809   -0.0000
   480        0.5120             nan     0.0809   -0.0000
   500        0.5123             nan     0.0809   -0.0000
   520        0.5117             nan     0.0809   -0.0001
   540        0.5111             nan     0.0809   -0.0001
   560        0.5107             nan     0.0809   -0.0000
   580        0.5103             nan     0.0809   -0.0000
   600        0.5100             nan     0.0809   -0.0001
   620        0.5096             nan     0.0809   -0.0000
   640        0.5091             nan     0.0809   -0.0000
   660        0.5090             nan     0.0809   -0.0000
   680        0.5086             nan     0.0809   -0.0000
   700        0.5085             nan     0.0809   -0.0000
   720        0.5079             nan     0.0809   -0.0000
   740        0.5075             nan     0.0809   -0.0000
   760        0.5074             nan     0.0809   -0.0001
   780        0.5069             nan     0.0809   -0.0000
   800        0.5068             nan     0.0809   -0.0000
   820        0.5066             nan     0.0809   -0.0000
   840        0.5064             nan     0.0809   -0.0000
   860        0.5060             nan     0.0809   -0.0000
   880        0.5060             nan     0.0809   -0.0000
   900        0.5057             nan     0.0809   -0.0002
   920        0.5055             nan     0.0809   -0.0000
   940        0.5056             nan     0.0809   -0.0000
   947        0.5054             nan     0.0809   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5266             nan     0.0841    0.0001
     2        0.5264             nan     0.0841    0.0001
     3        0.5262             nan     0.0841   -0.0000
     4        0.5260             nan     0.0841    0.0000
     5        0.5259             nan     0.0841    0.0000
     6        0.5257             nan     0.0841   -0.0000
     7        0.5255             nan     0.0841    0.0000
     8        0.5254             nan     0.0841    0.0000
     9        0.5253             nan     0.0841    0.0000
    10        0.5251             nan     0.0841    0.0000
    20        0.5243             nan     0.0841   -0.0000
    40        0.5230             nan     0.0841   -0.0000
    60        0.5222             nan     0.0841   -0.0000
    80        0.5215             nan     0.0841   -0.0000
   100        0.5207             nan     0.0841   -0.0000
   120        0.5201             nan     0.0841   -0.0000
   140        0.5196             nan     0.0841   -0.0000
   160        0.5195             nan     0.0841   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5266             nan     0.0845    0.0001
     2        0.5264             nan     0.0845    0.0000
     3        0.5261             nan     0.0845    0.0001
     4        0.5259             nan     0.0845    0.0001
     5        0.5257             nan     0.0845    0.0000
     6        0.5255             nan     0.0845    0.0000
     7        0.5254             nan     0.0845    0.0001
     8        0.5252             nan     0.0845    0.0000
     9        0.5250             nan     0.0845   -0.0000
    10        0.5249             nan     0.0845    0.0000
    20        0.5240             nan     0.0845   -0.0000
    40        0.5227             nan     0.0845   -0.0000
    60        0.5216             nan     0.0845   -0.0001
    80        0.5206             nan     0.0845   -0.0000
   100        0.5197             nan     0.0845   -0.0000
   120        0.5188             nan     0.0845   -0.0000
   140        0.5180             nan     0.0845   -0.0000
   160        0.5172             nan     0.0845   -0.0000
   180        0.5165             nan     0.0845   -0.0000
   200        0.5158             nan     0.0845   -0.0000
   220        0.5157             nan     0.0845   -0.0000
   240        0.5148             nan     0.0845   -0.0000
   260        0.5142             nan     0.0845   -0.0000
   280        0.5136             nan     0.0845   -0.0001
   300        0.5131             nan     0.0845   -0.0000
   320        0.5129             nan     0.0845   -0.0000
   340        0.5122             nan     0.0845   -0.0000
   360        0.5117             nan     0.0845   -0.0001
   380        0.5113             nan     0.0845   -0.0000
   400        0.5108             nan     0.0845   -0.0001
   420        0.5103             nan     0.0845   -0.0000
   440        0.5098             nan     0.0845   -0.0000
   460        0.5093             nan     0.0845   -0.0001
   480        0.5088             nan     0.0845   -0.0000
   500        0.5085             nan     0.0845   -0.0001
   520        0.5080             nan     0.0845   -0.0000
   540        0.5076             nan     0.0845   -0.0001
   560        0.5073             nan     0.0845   -0.0001
   580        0.5069             nan     0.0845   -0.0001
   600        0.5071             nan     0.0845   -0.0001
   620        0.5064             nan     0.0845   -0.0000
   640        0.5059             nan     0.0845   -0.0000
   660        0.5055             nan     0.0845   -0.0001
   680        0.5051             nan     0.0845   -0.0000
   700        0.5047             nan     0.0845   -0.0001
   720        0.5045             nan     0.0845   -0.0001
   740        0.5040             nan     0.0845   -0.0001
   753        0.5038             nan     0.0845   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5268             nan     0.0848    0.0000
     2        0.5267             nan     0.0848    0.0001
     3        0.5266             nan     0.0848    0.0001
     4        0.5265             nan     0.0848    0.0000
     5        0.5264             nan     0.0848    0.0000
     6        0.5263             nan     0.0848   -0.0000
     7        0.5262             nan     0.0848    0.0000
     8        0.5262             nan     0.0848    0.0000
     9        0.5261             nan     0.0848    0.0000
    10        0.5260             nan     0.0848    0.0000
    20        0.5255             nan     0.0848   -0.0000
    40        0.5249             nan     0.0848    0.0000
    60        0.5246             nan     0.0848   -0.0000
    80        0.5243             nan     0.0848   -0.0000
   100        0.5242             nan     0.0848   -0.0000
   120        0.5241             nan     0.0848   -0.0000
   140        0.5240             nan     0.0848   -0.0000
   160        0.5239             nan     0.0848   -0.0000
   180        0.5239             nan     0.0848   -0.0000
   200        0.5238             nan     0.0848   -0.0000
   220        0.5236             nan     0.0848   -0.0000
   240        0.5236             nan     0.0848   -0.0000
   260        0.5235             nan     0.0848   -0.0000
   280        0.5234             nan     0.0848   -0.0000
   300        0.5233             nan     0.0848   -0.0000
   320        0.5235             nan     0.0848    0.0000
   340        0.5232             nan     0.0848    0.0000
   360        0.5231             nan     0.0848   -0.0000
   380        0.5230             nan     0.0848   -0.0000
   400        0.5229             nan     0.0848   -0.0000
   420        0.5228             nan     0.0848   -0.0000
   440        0.5228             nan     0.0848   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5267             nan     0.0859    0.0001
     2        0.5265             nan     0.0859    0.0001
     3        0.5263             nan     0.0859    0.0000
     4        0.5260             nan     0.0859    0.0001
     5        0.5259             nan     0.0859   -0.0000
     6        0.5257             nan     0.0859    0.0000
     7        0.5256             nan     0.0859   -0.0000
     8        0.5255             nan     0.0859    0.0000
     9        0.5254             nan     0.0859   -0.0000
    10        0.5252             nan     0.0859    0.0000
    20        0.5243             nan     0.0859   -0.0000
    40        0.5232             nan     0.0859   -0.0000
    60        0.5224             nan     0.0859   -0.0000
    80        0.5218             nan     0.0859   -0.0000
   100        0.5210             nan     0.0859    0.0000
   120        0.5203             nan     0.0859   -0.0000
   140        0.5198             nan     0.0859   -0.0000
   160        0.5191             nan     0.0859   -0.0000
   180        0.5184             nan     0.0859   -0.0000
   200        0.5177             nan     0.0859   -0.0000
   220        0.5170             nan     0.0859   -0.0000
   240        0.5165             nan     0.0859   -0.0000
   260        0.5160             nan     0.0859   -0.0000
   280        0.5156             nan     0.0859   -0.0000
   300        0.5147             nan     0.0859   -0.0000
   320        0.5141             nan     0.0859   -0.0000
   340        0.5137             nan     0.0859   -0.0001
   360        0.5132             nan     0.0859   -0.0000
   380        0.5127             nan     0.0859   -0.0000
   400        0.5122             nan     0.0859   -0.0000
   420        0.5117             nan     0.0859   -0.0000
   440        0.5112             nan     0.0859   -0.0000
   460        0.5107             nan     0.0859   -0.0000
   480        0.5106             nan     0.0859   -0.0000
   500        0.5103             nan     0.0859   -0.0000
   520        0.5098             nan     0.0859   -0.0000
   540        0.5093             nan     0.0859   -0.0001
   560        0.5086             nan     0.0859   -0.0000
   580        0.5081             nan     0.0859   -0.0000
   600        0.5077             nan     0.0859   -0.0000
   620        0.5075             nan     0.0859   -0.0001
   640        0.5071             nan     0.0859   -0.0000
   660        0.5066             nan     0.0859    0.0000
   680        0.5062             nan     0.0859   -0.0000
   700        0.5058             nan     0.0859   -0.0000
   720        0.5054             nan     0.0859   -0.0000
   740        0.5053             nan     0.0859   -0.0000
   760        0.5049             nan     0.0859   -0.0000
   780        0.5045             nan     0.0859   -0.0000
   800        0.5040             nan     0.0859   -0.0001
   820        0.5037             nan     0.0859   -0.0000
   840        0.5033             nan     0.0859   -0.0000
   860        0.5028             nan     0.0859   -0.0000
   880        0.5025             nan     0.0859   -0.0000
   900        0.5021             nan     0.0859   -0.0000
   920        0.5018             nan     0.0859   -0.0000
   940        0.5015             nan     0.0859   -0.0000
   941        0.5014             nan     0.0859   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5267             nan     0.0877    0.0001
     2        0.5264             nan     0.0877    0.0001
     3        0.5263             nan     0.0877    0.0000
     4        0.5261             nan     0.0877    0.0000
     5        0.5261             nan     0.0877   -0.0000
     6        0.5260             nan     0.0877   -0.0000
     7        0.5259             nan     0.0877    0.0000
     8        0.5257             nan     0.0877    0.0000
     9        0.5256             nan     0.0877    0.0000
    10        0.5255             nan     0.0877   -0.0000
    20        0.5248             nan     0.0877   -0.0000
    40        0.5240             nan     0.0877   -0.0000
    60        0.5234             nan     0.0877   -0.0000
    80        0.5230             nan     0.0877   -0.0000
   100        0.5224             nan     0.0877   -0.0000
   120        0.5220             nan     0.0877   -0.0001
   140        0.5216             nan     0.0877   -0.0000
   160        0.5212             nan     0.0877   -0.0000
   180        0.5207             nan     0.0877   -0.0000
   191        0.5209             nan     0.0877   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5265             nan     0.0918    0.0001
     2        0.5261             nan     0.0918    0.0001
     3        0.5258             nan     0.0918    0.0001
     4        0.5256             nan     0.0918    0.0000
     5        0.5254             nan     0.0918    0.0000
     6        0.5251             nan     0.0918    0.0000
     7        0.5249             nan     0.0918    0.0000
     8        0.5247             nan     0.0918   -0.0000
     9        0.5246             nan     0.0918   -0.0000
    10        0.5244             nan     0.0918    0.0000
    20        0.5232             nan     0.0918   -0.0000
    40        0.5215             nan     0.0918   -0.0001
    60        0.5205             nan     0.0918   -0.0000
    80        0.5191             nan     0.0918   -0.0000
   100        0.5183             nan     0.0918   -0.0001
   120        0.5175             nan     0.0918   -0.0000
   140        0.5164             nan     0.0918   -0.0000
   160        0.5152             nan     0.0918   -0.0003
   180        0.5145             nan     0.0918   -0.0001
   200        0.5138             nan     0.0918   -0.0001
   220        0.5127             nan     0.0918   -0.0001
   240        0.5118             nan     0.0918   -0.0000
   260        0.5109             nan     0.0918   -0.0001
   280        0.5100             nan     0.0918   -0.0000
   300        0.5094             nan     0.0918   -0.0001
   320        0.5087             nan     0.0918   -0.0001
   340        0.5079             nan     0.0918   -0.0000
   360        0.5076             nan     0.0918   -0.0001
   380        0.5067             nan     0.0918   -0.0001
   389        0.5064             nan     0.0918   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5267             nan     0.0936    0.0001
     2        0.5264             nan     0.0936    0.0001
     3        0.5262             nan     0.0936   -0.0000
     4        0.5261             nan     0.0936    0.0000
     5        0.5259             nan     0.0936    0.0001
     6        0.5257             nan     0.0936    0.0000
     7        0.5257             nan     0.0936   -0.0000
     8        0.5255             nan     0.0936    0.0000
     9        0.5255             nan     0.0936    0.0000
    10        0.5254             nan     0.0936    0.0000
    20        0.5246             nan     0.0936   -0.0000
    40        0.5238             nan     0.0936   -0.0000
    60        0.5232             nan     0.0936   -0.0000
    80        0.5232             nan     0.0936   -0.0000
   100        0.5228             nan     0.0936   -0.0000
   120        0.5224             nan     0.0936   -0.0000
   140        0.5220             nan     0.0936   -0.0000
   160        0.5218             nan     0.0936   -0.0000
   180        0.5214             nan     0.0936   -0.0000
   200        0.5213             nan     0.0936   -0.0000
   220        0.5209             nan     0.0936    0.0000
   240        0.5205             nan     0.0936   -0.0000
   260        0.5201             nan     0.0936   -0.0000
   280        0.5198             nan     0.0936   -0.0001
   300        0.5196             nan     0.0936   -0.0000
   320        0.5193             nan     0.0936   -0.0000
   340        0.5190             nan     0.0936   -0.0000
   360        0.5188             nan     0.0936   -0.0000
   380        0.5185             nan     0.0936   -0.0000
   400        0.5182             nan     0.0936   -0.0000
   420        0.5179             nan     0.0936   -0.0000
   440        0.5174             nan     0.0936    0.0001
   460        0.5172             nan     0.0936   -0.0000
   480        0.5170             nan     0.0936   -0.0000
   500        0.5167             nan     0.0936   -0.0000
   520        0.5165             nan     0.0936   -0.0000
   540        0.5162             nan     0.0936   -0.0000
   560        0.5161             nan     0.0936   -0.0001
   580        0.5161             nan     0.0936   -0.0000
   600        0.5158             nan     0.0936   -0.0000
   620        0.5156             nan     0.0936   -0.0001
   640        0.5157             nan     0.0936   -0.0000
   660        0.5155             nan     0.0936   -0.0000
   680        0.5152             nan     0.0936   -0.0001
   700        0.5151             nan     0.0936   -0.0000
   720        0.5148             nan     0.0936   -0.0000
   733        0.5146             nan     0.0936   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5265             nan     0.0945    0.0002
     2        0.5261             nan     0.0945    0.0001
     3        0.5259             nan     0.0945    0.0000
     4        0.5257             nan     0.0945   -0.0003
     5        0.5255             nan     0.0945    0.0000
     6        0.5252             nan     0.0945    0.0000
     7        0.5251             nan     0.0945   -0.0000
     8        0.5249             nan     0.0945   -0.0000
     9        0.5246             nan     0.0945   -0.0000
    10        0.5244             nan     0.0945   -0.0000
    20        0.5233             nan     0.0945   -0.0001
    40        0.5209             nan     0.0945   -0.0000
    60        0.5189             nan     0.0945   -0.0001
    80        0.5174             nan     0.0945   -0.0000
   100        0.5161             nan     0.0945   -0.0001
   120        0.5151             nan     0.0945   -0.0000
   140        0.5143             nan     0.0945   -0.0001
   160        0.5135             nan     0.0945   -0.0001
   180        0.5122             nan     0.0945   -0.0001
   200        0.5112             nan     0.0945   -0.0001
   220        0.5107             nan     0.0945   -0.0000
   240        0.5098             nan     0.0945   -0.0001
   256        0.5089             nan     0.0945   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5268             nan     0.0993    0.0000
     2        0.5267             nan     0.0993    0.0000
     3        0.5265             nan     0.0993    0.0000
     4        0.5264             nan     0.0993    0.0000
     5        0.5263             nan     0.0993    0.0000
     6        0.5262             nan     0.0993    0.0001
     7        0.5261             nan     0.0993   -0.0000
     8        0.5261             nan     0.0993    0.0000
     9        0.5260             nan     0.0993    0.0000
    10        0.5259             nan     0.0993    0.0000
    20        0.5253             nan     0.0993    0.0000
    40        0.5247             nan     0.0993   -0.0000
    60        0.5244             nan     0.0993   -0.0000
    80        0.5243             nan     0.0993   -0.0000
   100        0.5241             nan     0.0993   -0.0000
   120        0.5242             nan     0.0993   -0.0000
   140        0.5238             nan     0.0993   -0.0000
   160        0.5238             nan     0.0993   -0.0000
   180        0.5238             nan     0.0993   -0.0000
   200        0.5236             nan     0.0993    0.0000
   220        0.5236             nan     0.0993   -0.0000
   240        0.5234             nan     0.0993   -0.0000
   260        0.5233             nan     0.0993   -0.0000
   280        0.5232             nan     0.0993   -0.0000
   300        0.5231             nan     0.0993   -0.0000
   320        0.5231             nan     0.0993   -0.0000
   340        0.5230             nan     0.0993   -0.0000
   360        0.5229             nan     0.0993   -0.0000
   380        0.5229             nan     0.0993   -0.0000
   400        0.5228             nan     0.0993   -0.0000
   420        0.5228             nan     0.0993   -0.0000
   440        0.5227             nan     0.0993   -0.0000
   460        0.5227             nan     0.0993   -0.0000
   480        0.5226             nan     0.0993   -0.0000
   500        0.5225             nan     0.0993   -0.0000
   520        0.5225             nan     0.0993   -0.0000
   540        0.5226             nan     0.0993   -0.0000
   560        0.5224             nan     0.0993   -0.0000
   580        0.5225             nan     0.0993   -0.0000
   600        0.5225             nan     0.0993    0.0000
   620        0.5224             nan     0.0993   -0.0000
   640        0.5223             nan     0.0993   -0.0000
   660        0.5222             nan     0.0993   -0.0000
   680        0.5222             nan     0.0993   -0.0000
   700        0.5223             nan     0.0993   -0.0000
   720        0.5222             nan     0.0993   -0.0000
   740        0.5222             nan     0.0993   -0.0000
   760        0.5221             nan     0.0993   -0.0000
   780        0.5221             nan     0.0993   -0.0000
   800        0.5220             nan     0.0993   -0.0000
   820        0.5220             nan     0.0993   -0.0000
   840        0.5219             nan     0.0993   -0.0000
   860        0.5220             nan     0.0993   -0.0000
   869        0.5224             nan     0.0993   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5266             nan     0.0994    0.0001
     2        0.5263             nan     0.0994    0.0001
     3        0.5260             nan     0.0994    0.0001
     4        0.5258             nan     0.0994    0.0001
     5        0.5256             nan     0.0994   -0.0000
     6        0.5255             nan     0.0994    0.0000
     7        0.5253             nan     0.0994    0.0000
     8        0.5252             nan     0.0994    0.0000
     9        0.5251             nan     0.0994   -0.0000
    10        0.5250             nan     0.0994    0.0000
    20        0.5240             nan     0.0994   -0.0000
    40        0.5229             nan     0.0994   -0.0001
    60        0.5218             nan     0.0994   -0.0000
    80        0.5213             nan     0.0994   -0.0001
   100        0.5211             nan     0.0994   -0.0000
   120        0.5203             nan     0.0994   -0.0000
   140        0.5196             nan     0.0994   -0.0001
   160        0.5192             nan     0.0994   -0.0000
   180        0.5185             nan     0.0994    0.0000
   200        0.5179             nan     0.0994   -0.0000
   220        0.5174             nan     0.0994   -0.0000
   240        0.5168             nan     0.0994   -0.0000
   260        0.5162             nan     0.0994   -0.0000
   280        0.5158             nan     0.0994   -0.0000
   300        0.5152             nan     0.0994   -0.0001
   320        0.5152             nan     0.0994   -0.0000
   340        0.5147             nan     0.0994   -0.0001
   360        0.5143             nan     0.0994   -0.0001
   380        0.5138             nan     0.0994   -0.0000
   400        0.5135             nan     0.0994   -0.0000
   420        0.5130             nan     0.0994   -0.0001
   440        0.5127             nan     0.0994   -0.0001
   460        0.5122             nan     0.0994   -0.0001
   480        0.5119             nan     0.0994   -0.0001
   500        0.5115             nan     0.0994   -0.0001
   520        0.5114             nan     0.0994   -0.0000
   540        0.5110             nan     0.0994   -0.0000
   560        0.5105             nan     0.0994   -0.0001
   580        0.5102             nan     0.0994   -0.0000
   600        0.5098             nan     0.0994   -0.0001
   620        0.5101             nan     0.0994   -0.0000
   640        0.5098             nan     0.0994   -0.0001
   660        0.5093             nan     0.0994   -0.0000
   680        0.5090             nan     0.0994   -0.0001
   696        0.5088             nan     0.0994   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5265             nan     0.1004    0.0001
     2        0.5263             nan     0.1004    0.0000
     3        0.5260             nan     0.1004    0.0001
     4        0.5259             nan     0.1004    0.0000
     5        0.5256             nan     0.1004    0.0000
     6        0.5255             nan     0.1004    0.0000
     7        0.5253             nan     0.1004    0.0000
     8        0.5254             nan     0.1004   -0.0005
     9        0.5251             nan     0.1004    0.0000
    10        0.5249             nan     0.1004    0.0000
    20        0.5238             nan     0.1004   -0.0000
    40        0.5224             nan     0.1004   -0.0001
    60        0.5214             nan     0.1004   -0.0000
    80        0.5199             nan     0.1004   -0.0002
   100        0.5189             nan     0.1004   -0.0001
   120        0.5178             nan     0.1004   -0.0001
   140        0.5166             nan     0.1004   -0.0000
   160        0.5161             nan     0.1004   -0.0001
   180        0.5152             nan     0.1004   -0.0001
   200        0.5146             nan     0.1004   -0.0000
   220        0.5138             nan     0.1004   -0.0000
   240        0.5130             nan     0.1004   -0.0001
   260        0.5122             nan     0.1004   -0.0000
   280        0.5116             nan     0.1004   -0.0000
   300        0.5110             nan     0.1004   -0.0001
   320        0.5102             nan     0.1004   -0.0001
   340        0.5098             nan     0.1004   -0.0001
   360        0.5092             nan     0.1004   -0.0001
   380        0.5087             nan     0.1004   -0.0001
   400        0.5084             nan     0.1004   -0.0000
   420        0.5079             nan     0.1004   -0.0001
   440        0.5077             nan     0.1004   -0.0001
   460        0.5072             nan     0.1004   -0.0000
   480        0.5067             nan     0.1004   -0.0001
   500        0.5062             nan     0.1004   -0.0000
   520        0.5061             nan     0.1004   -0.0000
   540        0.5055             nan     0.1004   -0.0000
   560        0.5051             nan     0.1004   -0.0001
   580        0.5045             nan     0.1004   -0.0001
   600        0.5041             nan     0.1004   -0.0000
   620        0.5037             nan     0.1004   -0.0001
   640        0.5033             nan     0.1004   -0.0001
   660        0.5029             nan     0.1004   -0.0000
   680        0.5025             nan     0.1004   -0.0001
   700        0.5023             nan     0.1004   -0.0001
   720        0.5018             nan     0.1004   -0.0001
   740        0.5017             nan     0.1004   -0.0000
   760        0.5011             nan     0.1004   -0.0001
   780        0.5008             nan     0.1004   -0.0000
   787        0.5007             nan     0.1004   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5265             nan     0.1013    0.0001
     2        0.5262             nan     0.1013    0.0001
     3        0.5258             nan     0.1013    0.0001
     4        0.5255             nan     0.1013    0.0000
     5        0.5253             nan     0.1013    0.0000
     6        0.5251             nan     0.1013   -0.0000
     7        0.5249             nan     0.1013   -0.0000
     8        0.5248             nan     0.1013   -0.0000
     9        0.5246             nan     0.1013    0.0000
    10        0.5244             nan     0.1013    0.0000
    20        0.5231             nan     0.1013   -0.0000
    40        0.5218             nan     0.1013   -0.0000
    60        0.5204             nan     0.1013   -0.0000
    80        0.5193             nan     0.1013   -0.0001
   100        0.5181             nan     0.1013   -0.0001
   120        0.5172             nan     0.1013   -0.0001
   140        0.5163             nan     0.1013   -0.0001
   160        0.5156             nan     0.1013   -0.0001
   180        0.5149             nan     0.1013   -0.0000
   200        0.5140             nan     0.1013   -0.0000
   220        0.5133             nan     0.1013   -0.0000
   240        0.5130             nan     0.1013   -0.0001
   260        0.5123             nan     0.1013   -0.0001
   280        0.5121             nan     0.1013   -0.0001
   300        0.5116             nan     0.1013   -0.0001
   320        0.5108             nan     0.1013   -0.0001
   340        0.5102             nan     0.1013   -0.0000
   360        0.5095             nan     0.1013   -0.0000
   380        0.5091             nan     0.1013   -0.0001
   400        0.5087             nan     0.1013   -0.0001
   420        0.5081             nan     0.1013   -0.0001
   440        0.5074             nan     0.1013   -0.0000
   460        0.5072             nan     0.1013   -0.0000
   480        0.5065             nan     0.1013   -0.0001
   500        0.5059             nan     0.1013   -0.0001
   520        0.5056             nan     0.1013   -0.0000
   540        0.5055             nan     0.1013   -0.0001
   560        0.5047             nan     0.1013   -0.0001
   580        0.5041             nan     0.1013   -0.0001
   600        0.5035             nan     0.1013   -0.0000
   601        0.5035             nan     0.1013   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5266             nan     0.1019    0.0001
     2        0.5263             nan     0.1019    0.0000
     3        0.5259             nan     0.1019    0.0001
     4        0.5257             nan     0.1019    0.0000
     5        0.5254             nan     0.1019    0.0000
     6        0.5252             nan     0.1019    0.0000
     7        0.5250             nan     0.1019    0.0000
     8        0.5248             nan     0.1019   -0.0001
     9        0.5245             nan     0.1019    0.0000
    10        0.5244             nan     0.1019   -0.0000
    20        0.5232             nan     0.1019   -0.0000
    40        0.5212             nan     0.1019   -0.0000
    60        0.5196             nan     0.1019   -0.0000
    80        0.5181             nan     0.1019   -0.0000
   100        0.5169             nan     0.1019   -0.0001
   120        0.5156             nan     0.1019   -0.0001
   140        0.5144             nan     0.1019   -0.0000
   160        0.5134             nan     0.1019   -0.0000
   180        0.5123             nan     0.1019   -0.0001
   200        0.5112             nan     0.1019   -0.0001
   220        0.5104             nan     0.1019    0.0000
   240        0.5098             nan     0.1019   -0.0001
   260        0.5096             nan     0.1019   -0.0001
   280        0.5088             nan     0.1019   -0.0001
   300        0.5080             nan     0.1019   -0.0001
   320        0.5073             nan     0.1019   -0.0000
   340        0.5067             nan     0.1019   -0.0001
   360        0.5059             nan     0.1019   -0.0001
   380        0.5051             nan     0.1019   -0.0001
   400        0.5044             nan     0.1019   -0.0000
   420        0.5037             nan     0.1019   -0.0001
   440        0.5030             nan     0.1019   -0.0000
   460        0.5025             nan     0.1019   -0.0001
   480        0.5022             nan     0.1019   -0.0000
   500        0.5015             nan     0.1019   -0.0001
   520        0.5016             nan     0.1019   -0.0001
   540        0.5011             nan     0.1019   -0.0001
   560        0.5005             nan     0.1019   -0.0001
   580        0.4999             nan     0.1019   -0.0001
   600        0.4996             nan     0.1019   -0.0001
   620        0.4992             nan     0.1019   -0.0001
   640        0.4988             nan     0.1019   -0.0001
   645        0.4986             nan     0.1019   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5266             nan     0.1032    0.0001
     2        0.5262             nan     0.1032    0.0001
     3        0.5259             nan     0.1032    0.0001
     4        0.5257             nan     0.1032    0.0000
     5        0.5255             nan     0.1032    0.0001
     6        0.5253             nan     0.1032    0.0000
     7        0.5253             nan     0.1032   -0.0004
     8        0.5252             nan     0.1032   -0.0000
     9        0.5251             nan     0.1032   -0.0000
    10        0.5250             nan     0.1032    0.0000
    20        0.5237             nan     0.1032   -0.0000
    40        0.5224             nan     0.1032   -0.0001
    60        0.5215             nan     0.1032   -0.0000
    80        0.5200             nan     0.1032   -0.0001
   100        0.5187             nan     0.1032   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5264             nan     0.1044    0.0002
     2        0.5261             nan     0.1044    0.0001
     3        0.5258             nan     0.1044    0.0000
     4        0.5255             nan     0.1044    0.0001
     5        0.5252             nan     0.1044   -0.0000
     6        0.5250             nan     0.1044   -0.0000
     7        0.5248             nan     0.1044   -0.0000
     8        0.5246             nan     0.1044    0.0000
     9        0.5244             nan     0.1044    0.0000
    10        0.5242             nan     0.1044   -0.0000
    20        0.5230             nan     0.1044    0.0000
    40        0.5215             nan     0.1044   -0.0001
    60        0.5195             nan     0.1044   -0.0001
    80        0.5179             nan     0.1044   -0.0000
   100        0.5167             nan     0.1044   -0.0001
   120        0.5152             nan     0.1044   -0.0000
   140        0.5140             nan     0.1044   -0.0000
   160        0.5124             nan     0.1044   -0.0001
   180        0.5109             nan     0.1044   -0.0001
   200        0.5105             nan     0.1044   -0.0001
   220        0.5095             nan     0.1044    0.0001
   240        0.5080             nan     0.1044   -0.0001
   260        0.5071             nan     0.1044   -0.0000
   280        0.5063             nan     0.1044   -0.0004
   300        0.5056             nan     0.1044   -0.0000
   320        0.5047             nan     0.1044   -0.0001
   340        0.5041             nan     0.1044   -0.0001
   360        0.5037             nan     0.1044   -0.0000
   380        0.5027             nan     0.1044   -0.0001
   400        0.5024             nan     0.1044   -0.0001
   420        0.5013             nan     0.1044   -0.0001
   440        0.5003             nan     0.1044   -0.0001
   460        0.4995             nan     0.1044   -0.0001
   480        0.4985             nan     0.1044   -0.0000
   500        0.4981             nan     0.1044   -0.0000
   520        0.4973             nan     0.1044   -0.0000
   540        0.4967             nan     0.1044   -0.0000
   560        0.4961             nan     0.1044   -0.0001
   580        0.4958             nan     0.1044   -0.0000
   600        0.4950             nan     0.1044   -0.0000
   620        0.4953             nan     0.1044   -0.0001
   640        0.4948             nan     0.1044   -0.0001
   660        0.4940             nan     0.1044   -0.0000
   680        0.4933             nan     0.1044   -0.0003
   700        0.4926             nan     0.1044   -0.0001
   720        0.4926             nan     0.1044   -0.0000
   740        0.4919             nan     0.1044   -0.0000
   760        0.4909             nan     0.1044   -0.0001
   764        0.4908             nan     0.1044   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5268             nan     0.1045    0.0001
     2        0.5267             nan     0.1045    0.0000
     3        0.5265             nan     0.1045    0.0001
     4        0.5264             nan     0.1045    0.0000
     5        0.5263             nan     0.1045    0.0001
     6        0.5262             nan     0.1045    0.0000
     7        0.5261             nan     0.1045    0.0000
     8        0.5260             nan     0.1045    0.0000
     9        0.5260             nan     0.1045    0.0000
    10        0.5258             nan     0.1045    0.0000
    20        0.5253             nan     0.1045    0.0000
    40        0.5247             nan     0.1045   -0.0000
    60        0.5243             nan     0.1045    0.0000
    80        0.5242             nan     0.1045   -0.0000
   100        0.5242             nan     0.1045   -0.0000
   120        0.5239             nan     0.1045   -0.0000
   140        0.5238             nan     0.1045   -0.0000
   160        0.5236             nan     0.1045   -0.0000
   179        0.5236             nan     0.1045   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5265             nan     0.1147    0.0001
     2        0.5262             nan     0.1147    0.0001
     3        0.5260             nan     0.1147    0.0000
     4        0.5257             nan     0.1147    0.0001
     5        0.5255             nan     0.1147   -0.0000
     6        0.5252             nan     0.1147    0.0000
     7        0.5251             nan     0.1147   -0.0000
     8        0.5248             nan     0.1147    0.0000
     9        0.5246             nan     0.1147    0.0000
    10        0.5244             nan     0.1147   -0.0000
    20        0.5236             nan     0.1147   -0.0000
    40        0.5221             nan     0.1147   -0.0000
    60        0.5212             nan     0.1147   -0.0000
    80        0.5200             nan     0.1147   -0.0000
   100        0.5186             nan     0.1147   -0.0000
   120        0.5189             nan     0.1147   -0.0008
   140        0.5171             nan     0.1147   -0.0000
   160        0.5161             nan     0.1147   -0.0001
   180        0.5153             nan     0.1147   -0.0000
   200        0.5143             nan     0.1147   -0.0000
   220        0.5137             nan     0.1147   -0.0001
   240        0.5133             nan     0.1147   -0.0000
   260        0.5127             nan     0.1147   -0.0000
   280        0.5121             nan     0.1147   -0.0002
   300        0.5113             nan     0.1147   -0.0000
   320        0.5102             nan     0.1147   -0.0001
   340        0.5103             nan     0.1147   -0.0007
   360        0.5099             nan     0.1147   -0.0001
   380        0.5089             nan     0.1147   -0.0001
   400        0.5082             nan     0.1147   -0.0000
   420        0.5074             nan     0.1147   -0.0000
   440        0.5071             nan     0.1147   -0.0004
   460        0.5059             nan     0.1147   -0.0001
   480        0.5053             nan     0.1147   -0.0000
   500        0.5047             nan     0.1147   -0.0001
   520        0.5039             nan     0.1147   -0.0001
   540        0.5034             nan     0.1147   -0.0001
   560        0.5030             nan     0.1147   -0.0001
   580        0.5026             nan     0.1147   -0.0001
   600        0.5021             nan     0.1147   -0.0000
   620        0.5018             nan     0.1147   -0.0003
   640        0.5018             nan     0.1147   -0.0000
   660        0.5014             nan     0.1147   -0.0000
   680        0.5013             nan     0.1147   -0.0001
   700        0.5003             nan     0.1147   -0.0000
   720        0.4996             nan     0.1147   -0.0001
   740        0.4991             nan     0.1147   -0.0001
   756        0.4988             nan     0.1147   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5265             nan     0.1164    0.0001
     2        0.5263             nan     0.1164    0.0000
     3        0.5260             nan     0.1164    0.0001
     4        0.5258             nan     0.1164    0.0000
     5        0.5255             nan     0.1164    0.0000
     6        0.5253             nan     0.1164    0.0000
     7        0.5251             nan     0.1164    0.0000
     8        0.5249             nan     0.1164    0.0000
     9        0.5248             nan     0.1164    0.0000
    10        0.5246             nan     0.1164   -0.0000
    20        0.5235             nan     0.1164   -0.0000
    40        0.5224             nan     0.1164   -0.0001
    60        0.5212             nan     0.1164    0.0000
    80        0.5205             nan     0.1164   -0.0001
   100        0.5195             nan     0.1164   -0.0000
   120        0.5189             nan     0.1164   -0.0001
   140        0.5182             nan     0.1164   -0.0000
   160        0.5175             nan     0.1164   -0.0001
   180        0.5167             nan     0.1164   -0.0001
   200        0.5159             nan     0.1164   -0.0001
   220        0.5154             nan     0.1164   -0.0001
   240        0.5149             nan     0.1164   -0.0001
   260        0.5144             nan     0.1164   -0.0001
   280        0.5141             nan     0.1164   -0.0000
   300        0.5136             nan     0.1164   -0.0000
   320        0.5138             nan     0.1164   -0.0001
   340        0.5131             nan     0.1164   -0.0000
   360        0.5126             nan     0.1164   -0.0001
   380        0.5123             nan     0.1164   -0.0000
   400        0.5119             nan     0.1164   -0.0000
   420        0.5117             nan     0.1164   -0.0001
   440        0.5113             nan     0.1164   -0.0001
   460        0.5108             nan     0.1164   -0.0001
   480        0.5104             nan     0.1164   -0.0001
   500        0.5100             nan     0.1164   -0.0001
   520        0.5097             nan     0.1164   -0.0000
   540        0.5094             nan     0.1164   -0.0000
   560        0.5091             nan     0.1164   -0.0001
   580        0.5088             nan     0.1164   -0.0001
   600        0.5084             nan     0.1164   -0.0000
   620        0.5081             nan     0.1164   -0.0000
   640        0.5077             nan     0.1164   -0.0001
   660        0.5074             nan     0.1164   -0.0001
   680        0.5071             nan     0.1164   -0.0000
   700        0.5068             nan     0.1164   -0.0001
   720        0.5064             nan     0.1164   -0.0001
   740        0.5061             nan     0.1164   -0.0001
   760        0.5059             nan     0.1164   -0.0001
   780        0.5056             nan     0.1164   -0.0000
   800        0.5053             nan     0.1164   -0.0001
   820        0.5051             nan     0.1164   -0.0001
   840        0.5049             nan     0.1164   -0.0000
   860        0.5044             nan     0.1164   -0.0000
   880        0.5041             nan     0.1164   -0.0001
   900        0.5039             nan     0.1164   -0.0001
   920        0.5043             nan     0.1164   -0.0001
   938        0.5039             nan     0.1164    0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5266             nan     0.1195    0.0001
     2        0.5264             nan     0.1195    0.0001
     3        0.5262             nan     0.1195    0.0000
     4        0.5259             nan     0.1195    0.0000
     5        0.5257             nan     0.1195   -0.0000
     6        0.5256             nan     0.1195    0.0000
     7        0.5254             nan     0.1195    0.0000
     8        0.5253             nan     0.1195   -0.0000
     9        0.5252             nan     0.1195    0.0000
    10        0.5252             nan     0.1195   -0.0000
    20        0.5247             nan     0.1195    0.0000
    40        0.5240             nan     0.1195   -0.0000
    60        0.5233             nan     0.1195    0.0000
    80        0.5227             nan     0.1195   -0.0000
   100        0.5222             nan     0.1195   -0.0000
   120        0.5221             nan     0.1195   -0.0000
   140        0.5213             nan     0.1195   -0.0001
   160        0.5208             nan     0.1195   -0.0000
   180        0.5206             nan     0.1195    0.0000
   200        0.5201             nan     0.1195   -0.0000
   220        0.5204             nan     0.1195   -0.0000
   240        0.5196             nan     0.1195   -0.0000
   260        0.5195             nan     0.1195   -0.0002
   280        0.5190             nan     0.1195   -0.0000
   300        0.5184             nan     0.1195   -0.0000
   320        0.5182             nan     0.1195   -0.0000
   340        0.5182             nan     0.1195   -0.0001
   358        0.5181             nan     0.1195   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5265             nan     0.1204    0.0001
     2        0.5262             nan     0.1204    0.0001
     3        0.5259             nan     0.1204    0.0000
     4        0.5257             nan     0.1204    0.0000
     5        0.5254             nan     0.1204    0.0001
     6        0.5252             nan     0.1204    0.0000
     7        0.5250             nan     0.1204   -0.0000
     8        0.5248             nan     0.1204    0.0000
     9        0.5246             nan     0.1204    0.0000
    10        0.5245             nan     0.1204   -0.0000
    20        0.5237             nan     0.1204   -0.0000
    40        0.5225             nan     0.1204   -0.0000
    60        0.5217             nan     0.1204   -0.0001
    80        0.5206             nan     0.1204   -0.0000
   100        0.5202             nan     0.1204   -0.0000
   120        0.5194             nan     0.1204   -0.0000
   140        0.5185             nan     0.1204   -0.0000
   160        0.5180             nan     0.1204   -0.0000
   180        0.5174             nan     0.1204   -0.0000
   200        0.5166             nan     0.1204   -0.0000
   220        0.5159             nan     0.1204   -0.0001
   240        0.5152             nan     0.1204   -0.0001
   260        0.5151             nan     0.1204   -0.0007
   280        0.5142             nan     0.1204   -0.0000
   300        0.5133             nan     0.1204   -0.0000
   320        0.5138             nan     0.1204   -0.0001
   340        0.5135             nan     0.1204   -0.0000
   360        0.5131             nan     0.1204   -0.0001
   380        0.5125             nan     0.1204   -0.0001
   400        0.5121             nan     0.1204   -0.0000
   420        0.5117             nan     0.1204   -0.0001
   440        0.5111             nan     0.1204   -0.0001
   460        0.5112             nan     0.1204   -0.0001
   480        0.5107             nan     0.1204   -0.0001
   500        0.5102             nan     0.1204   -0.0001
   520        0.5098             nan     0.1204   -0.0000
   540        0.5093             nan     0.1204   -0.0001
   560        0.5090             nan     0.1204   -0.0001
   580        0.5086             nan     0.1204   -0.0000
   600        0.5087             nan     0.1204   -0.0001
   620        0.5082             nan     0.1204   -0.0000
   640        0.5078             nan     0.1204   -0.0001
   660        0.5074             nan     0.1204   -0.0000
   680        0.5082             nan     0.1204   -0.0009
   700        0.5073             nan     0.1204   -0.0001
   720        0.5070             nan     0.1204   -0.0001
   740        0.5067             nan     0.1204   -0.0001
   760        0.5063             nan     0.1204   -0.0000
   780        0.5063             nan     0.1204   -0.0001
   800        0.5059             nan     0.1204   -0.0000
   820        0.5056             nan     0.1204   -0.0001
   840        0.5052             nan     0.1204   -0.0000
   860        0.5048             nan     0.1204   -0.0000
   880        0.5046             nan     0.1204   -0.0001
   900        0.5045             nan     0.1204   -0.0000
   920        0.5047             nan     0.1204   -0.0006
   922        0.5046             nan     0.1204   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5268             nan     0.1207    0.0000
     2        0.5265             nan     0.1207    0.0001
     3        0.5264             nan     0.1207    0.0001
     4        0.5262             nan     0.1207    0.0000
     5        0.5261             nan     0.1207    0.0000
     6        0.5260             nan     0.1207    0.0000
     7        0.5259             nan     0.1207    0.0000
     8        0.5258             nan     0.1207   -0.0000
     9        0.5257             nan     0.1207   -0.0000
    10        0.5256             nan     0.1207   -0.0000
    20        0.5250             nan     0.1207   -0.0000
    40        0.5245             nan     0.1207   -0.0000
    60        0.5243             nan     0.1207   -0.0000
    80        0.5242             nan     0.1207    0.0000
   100        0.5239             nan     0.1207   -0.0000
   120        0.5238             nan     0.1207   -0.0000
   140        0.5236             nan     0.1207   -0.0000
   160        0.5235             nan     0.1207   -0.0000
   180        0.5234             nan     0.1207   -0.0000
   200        0.5233             nan     0.1207   -0.0000
   220        0.5231             nan     0.1207   -0.0001
   221        0.5231             nan     0.1207   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5266             nan     0.1239    0.0000
     2        0.5262             nan     0.1239    0.0001
     3        0.5258             nan     0.1239    0.0001
     4        0.5256             nan     0.1239    0.0000
     5        0.5254             nan     0.1239    0.0000
     6        0.5252             nan     0.1239    0.0000
     7        0.5250             nan     0.1239   -0.0000
     8        0.5249             nan     0.1239   -0.0001
     9        0.5247             nan     0.1239    0.0000
    10        0.5245             nan     0.1239    0.0000
    20        0.5231             nan     0.1239   -0.0000
    40        0.5213             nan     0.1239   -0.0000
    60        0.5199             nan     0.1239   -0.0001
    80        0.5190             nan     0.1239   -0.0000
   100        0.5179             nan     0.1239   -0.0001
   120        0.5166             nan     0.1239   -0.0002
   140        0.5155             nan     0.1239   -0.0007
   160        0.5144             nan     0.1239   -0.0001
   180        0.5133             nan     0.1239   -0.0001
   200        0.5126             nan     0.1239   -0.0002
   220        0.5114             nan     0.1239   -0.0001
   240        0.5113             nan     0.1239   -0.0001
   260        0.5102             nan     0.1239    0.0001
   280        0.5095             nan     0.1239   -0.0001
   300        0.5087             nan     0.1239   -0.0000
   320        0.5082             nan     0.1239   -0.0001
   340        0.5082             nan     0.1239   -0.0001
   360        0.5073             nan     0.1239   -0.0001
   380        0.5070             nan     0.1239   -0.0001
   400        0.5063             nan     0.1239   -0.0001
   420        0.5057             nan     0.1239   -0.0001
   440        0.5050             nan     0.1239   -0.0001
   460        0.5047             nan     0.1239   -0.0001
   480        0.5045             nan     0.1239   -0.0001
   500        0.5040             nan     0.1239   -0.0001
   520        0.5034             nan     0.1239   -0.0001
   540        0.5034             nan     0.1239   -0.0000
   560        0.5032             nan     0.1239   -0.0001
   580        0.5024             nan     0.1239   -0.0000
   600        0.5015             nan     0.1239   -0.0001
   620        0.5016             nan     0.1239   -0.0001
   640        0.5013             nan     0.1239   -0.0004
   660        0.5008             nan     0.1239   -0.0005
   680        0.4999             nan     0.1239   -0.0001
   700        0.4993             nan     0.1239   -0.0000
   720        0.4986             nan     0.1239   -0.0001
   740        0.4981             nan     0.1239   -0.0000
   755        0.4982             nan     0.1239   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5267             nan     0.1270    0.0001
     2        0.5266             nan     0.1270    0.0000
     3        0.5264             nan     0.1270    0.0000
     4        0.5262             nan     0.1270    0.0001
     5        0.5261             nan     0.1270    0.0000
     6        0.5260             nan     0.1270    0.0000
     7        0.5259             nan     0.1270    0.0000
     8        0.5258             nan     0.1270    0.0000
     9        0.5257             nan     0.1270    0.0000
    10        0.5257             nan     0.1270   -0.0000
    20        0.5251             nan     0.1270    0.0000
    40        0.5245             nan     0.1270   -0.0000
    60        0.5242             nan     0.1270   -0.0000
    80        0.5240             nan     0.1270   -0.0000
   100        0.5239             nan     0.1270   -0.0000
   120        0.5237             nan     0.1270   -0.0001
   140        0.5236             nan     0.1270   -0.0000
   160        0.5235             nan     0.1270   -0.0000
   180        0.5234             nan     0.1270   -0.0000
   200        0.5233             nan     0.1270   -0.0000
   220        0.5232             nan     0.1270   -0.0000
   240        0.5231             nan     0.1270   -0.0000
   260        0.5231             nan     0.1270   -0.0000
   280        0.5230             nan     0.1270   -0.0000
   300        0.5229             nan     0.1270   -0.0000
   320        0.5229             nan     0.1270   -0.0000
   340        0.5228             nan     0.1270   -0.0000
   360        0.5228             nan     0.1270   -0.0000
   380        0.5227             nan     0.1270   -0.0000
   400        0.5227             nan     0.1270   -0.0000
   420        0.5230             nan     0.1270   -0.0000
   440        0.5229             nan     0.1270   -0.0000
   460        0.5227             nan     0.1270   -0.0000
   479        0.5226             nan     0.1270   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5265             nan     0.1323    0.0000
     2        0.5262             nan     0.1323    0.0000
     3        0.5259             nan     0.1323    0.0000
     4        0.5256             nan     0.1323    0.0000
     5        0.5254             nan     0.1323    0.0000
     6        0.5252             nan     0.1323   -0.0000
     7        0.5253             nan     0.1323   -0.0006
     8        0.5251             nan     0.1323   -0.0001
     9        0.5249             nan     0.1323    0.0000
    10        0.5247             nan     0.1323    0.0000
    20        0.5235             nan     0.1323   -0.0000
    40        0.5214             nan     0.1323   -0.0001
    60        0.5198             nan     0.1323    0.0000
    80        0.5184             nan     0.1323   -0.0000
   100        0.5172             nan     0.1323   -0.0001
   120        0.5171             nan     0.1323   -0.0001
   140        0.5160             nan     0.1323   -0.0000
   160        0.5148             nan     0.1323   -0.0001
   180        0.5137             nan     0.1323   -0.0000
   200        0.5127             nan     0.1323   -0.0001
   220        0.5117             nan     0.1323   -0.0001
   240        0.5110             nan     0.1323   -0.0001
   260        0.5102             nan     0.1323   -0.0000
   280        0.5098             nan     0.1323   -0.0001
   300        0.5087             nan     0.1323   -0.0001
   320        0.5085             nan     0.1323   -0.0008
   340        0.5073             nan     0.1323   -0.0001
   360        0.5066             nan     0.1323   -0.0000
   380        0.5065             nan     0.1323   -0.0001
   400        0.5059             nan     0.1323   -0.0001
   420        0.5051             nan     0.1323   -0.0000
   440        0.5046             nan     0.1323   -0.0001
   460        0.5038             nan     0.1323   -0.0001
   480        0.5034             nan     0.1323   -0.0001
   500        0.5028             nan     0.1323   -0.0000
   520        0.5023             nan     0.1323   -0.0000
   540        0.5017             nan     0.1323   -0.0001
   558        0.5011             nan     0.1323   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5264             nan     0.1340    0.0001
     2        0.5261             nan     0.1340    0.0000
     3        0.5258             nan     0.1340    0.0001
     4        0.5255             nan     0.1340    0.0001
     5        0.5252             nan     0.1340    0.0000
     6        0.5249             nan     0.1340   -0.0000
     7        0.5245             nan     0.1340    0.0001
     8        0.5243             nan     0.1340   -0.0000
     9        0.5241             nan     0.1340    0.0000
    10        0.5239             nan     0.1340   -0.0000
    20        0.5227             nan     0.1340   -0.0000
    40        0.5203             nan     0.1340   -0.0000
    60        0.5188             nan     0.1340   -0.0000
    80        0.5171             nan     0.1340   -0.0001
   100        0.5156             nan     0.1340   -0.0000
   120        0.5140             nan     0.1340   -0.0002
   140        0.5123             nan     0.1340   -0.0001
   160        0.5114             nan     0.1340   -0.0013
   180        0.5096             nan     0.1340   -0.0002
   200        0.5080             nan     0.1340   -0.0001
   220        0.5076             nan     0.1340   -0.0008
   240        0.5057             nan     0.1340   -0.0001
   260        0.5052             nan     0.1340   -0.0001
   280        0.5040             nan     0.1340   -0.0000
   300        0.5027             nan     0.1340   -0.0003
   320        0.5013             nan     0.1340   -0.0000
   340        0.5010             nan     0.1340   -0.0000
   360        0.5007             nan     0.1340   -0.0002
   380        0.4996             nan     0.1340   -0.0001
   400        0.4985             nan     0.1340   -0.0000
   420        0.4981             nan     0.1340   -0.0006
   440        0.4969             nan     0.1340   -0.0001
   460        0.4963             nan     0.1340   -0.0003
   480        0.4949             nan     0.1340   -0.0000
   500        0.4946             nan     0.1340   -0.0000
   520        0.4942             nan     0.1340   -0.0005
   540        0.4929             nan     0.1340   -0.0001
   560        0.4924             nan     0.1340   -0.0000
   573        0.4919             nan     0.1340   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5268             nan     0.1341    0.0001
     2        0.5266             nan     0.1341    0.0000
     3        0.5263             nan     0.1341    0.0001
     4        0.5262             nan     0.1341    0.0000
     5        0.5261             nan     0.1341    0.0000
     6        0.5259             nan     0.1341    0.0000
     7        0.5258             nan     0.1341    0.0000
     8        0.5257             nan     0.1341    0.0000
     9        0.5257             nan     0.1341   -0.0000
    10        0.5256             nan     0.1341    0.0000
    20        0.5250             nan     0.1341   -0.0000
    40        0.5247             nan     0.1341   -0.0000
    60        0.5243             nan     0.1341   -0.0000
    80        0.5240             nan     0.1341   -0.0000
   100        0.5238             nan     0.1341   -0.0000
   120        0.5236             nan     0.1341   -0.0000
   140        0.5235             nan     0.1341   -0.0000
   160        0.5235             nan     0.1341   -0.0000
   180        0.5234             nan     0.1341   -0.0000
   200        0.5233             nan     0.1341   -0.0001
   220        0.5232             nan     0.1341   -0.0000
   240        0.5231             nan     0.1341   -0.0000
   260        0.5231             nan     0.1341   -0.0000
   280        0.5230             nan     0.1341   -0.0000
   300        0.5230             nan     0.1341   -0.0000
   320        0.5234             nan     0.1341   -0.0000
   340        0.5230             nan     0.1341   -0.0000
   360        0.5229             nan     0.1341   -0.0000
   380        0.5231             nan     0.1341   -0.0000
   388        0.5229             nan     0.1341   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5268             nan     0.1348    0.0001
     2        0.5265             nan     0.1348    0.0001
     3        0.5264             nan     0.1348    0.0000
     4        0.5262             nan     0.1348    0.0000
     5        0.5261             nan     0.1348    0.0000
     6        0.5260             nan     0.1348    0.0000
     7        0.5259             nan     0.1348    0.0000
     8        0.5258             nan     0.1348    0.0000
     9        0.5257             nan     0.1348    0.0000
    10        0.5256             nan     0.1348    0.0000
    20        0.5251             nan     0.1348   -0.0000
    40        0.5247             nan     0.1348   -0.0000
    60        0.5243             nan     0.1348    0.0000
    80        0.5240             nan     0.1348   -0.0000
   100        0.5238             nan     0.1348   -0.0000
   120        0.5236             nan     0.1348   -0.0000
   140        0.5234             nan     0.1348   -0.0000
   160        0.5234             nan     0.1348   -0.0000
   172        0.5233             nan     0.1348   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5265             nan     0.1402    0.0001
     2        0.5262             nan     0.1402    0.0001
     3        0.5259             nan     0.1402    0.0000
     4        0.5255             nan     0.1402    0.0001
     5        0.5253             nan     0.1402   -0.0000
     6        0.5251             nan     0.1402    0.0000
     7        0.5249             nan     0.1402   -0.0000
     8        0.5248             nan     0.1402   -0.0000
     9        0.5248             nan     0.1402   -0.0000
    10        0.5247             nan     0.1402   -0.0000
    20        0.5237             nan     0.1402   -0.0000
    40        0.5224             nan     0.1402   -0.0000
    60        0.5215             nan     0.1402   -0.0001
    80        0.5204             nan     0.1402   -0.0001
   100        0.5201             nan     0.1402   -0.0001
   120        0.5191             nan     0.1402   -0.0001
   140        0.5182             nan     0.1402   -0.0001
   160        0.5173             nan     0.1402    0.0000
   180        0.5170             nan     0.1402   -0.0001
   200        0.5164             nan     0.1402   -0.0000
   220        0.5159             nan     0.1402   -0.0000
   228        0.5160             nan     0.1402   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5267             nan     0.1450    0.0001
     2        0.5265             nan     0.1450    0.0001
     3        0.5263             nan     0.1450   -0.0000
     4        0.5261             nan     0.1450   -0.0000
     5        0.5260             nan     0.1450    0.0001
     6        0.5258             nan     0.1450    0.0000
     7        0.5257             nan     0.1450   -0.0000
     8        0.5257             nan     0.1450   -0.0000
     9        0.5256             nan     0.1450    0.0000
    10        0.5255             nan     0.1450   -0.0000
    20        0.5251             nan     0.1450   -0.0000
    40        0.5244             nan     0.1450   -0.0000
    60        0.5241             nan     0.1450   -0.0000
    80        0.5239             nan     0.1450   -0.0000
   100        0.5238             nan     0.1450   -0.0000
   120        0.5237             nan     0.1450   -0.0000
   140        0.5236             nan     0.1450   -0.0000
   160        0.5235             nan     0.1450   -0.0000
   180        0.5234             nan     0.1450   -0.0001
   200        0.5233             nan     0.1450   -0.0000
   220        0.5232             nan     0.1450   -0.0000
   240        0.5232             nan     0.1450   -0.0000
   260        0.5230             nan     0.1450   -0.0000
   280        0.5230             nan     0.1450   -0.0000
   300        0.5229             nan     0.1450   -0.0000
   320        0.5229             nan     0.1450   -0.0000
   340        0.5228             nan     0.1450   -0.0000
   360        0.5228             nan     0.1450   -0.0000
   380        0.5227             nan     0.1450   -0.0000
   400        0.5226             nan     0.1450   -0.0000
   420        0.5226             nan     0.1450   -0.0000
   440        0.5226             nan     0.1450   -0.0001
   456        0.5225             nan     0.1450   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5262             nan     0.1470    0.0001
     2        0.5260             nan     0.1470    0.0000
     3        0.5256             nan     0.1470    0.0001
     4        0.5253             nan     0.1470    0.0001
     5        0.5250             nan     0.1470    0.0000
     6        0.5247             nan     0.1470    0.0001
     7        0.5244             nan     0.1470    0.0000
     8        0.5241             nan     0.1470   -0.0000
     9        0.5239             nan     0.1470   -0.0001
    10        0.5236             nan     0.1470   -0.0000
    20        0.5227             nan     0.1470   -0.0001
    40        0.5199             nan     0.1470   -0.0000
    60        0.5181             nan     0.1470   -0.0001
    80        0.5169             nan     0.1470   -0.0002
   100        0.5163             nan     0.1470    0.0000
   119        0.5153             nan     0.1470   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5266             nan     0.1473    0.0001
     2        0.5263             nan     0.1473    0.0001
     3        0.5261             nan     0.1473    0.0001
     4        0.5258             nan     0.1473    0.0001
     5        0.5257             nan     0.1473    0.0000
     6        0.5255             nan     0.1473    0.0000
     7        0.5254             nan     0.1473    0.0000
     8        0.5253             nan     0.1473   -0.0000
     9        0.5251             nan     0.1473   -0.0000
    10        0.5250             nan     0.1473   -0.0000
    20        0.5242             nan     0.1473    0.0000
    40        0.5247             nan     0.1473   -0.0000
    60        0.5242             nan     0.1473   -0.0000
    80        0.5235             nan     0.1473   -0.0001
   100        0.5230             nan     0.1473   -0.0000
   120        0.5226             nan     0.1473   -0.0000
   140        0.5218             nan     0.1473   -0.0001
   160        0.5212             nan     0.1473   -0.0000
   180        0.5208             nan     0.1473   -0.0000
   200        0.5203             nan     0.1473   -0.0000
   220        0.5201             nan     0.1473   -0.0001
   240        0.5195             nan     0.1473   -0.0001
   260        0.5192             nan     0.1473   -0.0000
   272        0.5189             nan     0.1473   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5263             nan     0.1526    0.0002
     2        0.5259             nan     0.1526    0.0001
     3        0.5255             nan     0.1526    0.0000
     4        0.5253             nan     0.1526   -0.0000
     5        0.5252             nan     0.1526   -0.0000
     6        0.5249             nan     0.1526    0.0000
     7        0.5247             nan     0.1526   -0.0000
     8        0.5245             nan     0.1526   -0.0000
     9        0.5243             nan     0.1526   -0.0000
    10        0.5240             nan     0.1526    0.0000
    20        0.5226             nan     0.1526   -0.0001
    40        0.5210             nan     0.1526   -0.0000
    60        0.5200             nan     0.1526   -0.0001
    80        0.5181             nan     0.1526   -0.0002
   100        0.5176             nan     0.1526   -0.0000
   120        0.5172             nan     0.1526   -0.0001
   140        0.5157             nan     0.1526   -0.0002
   160        0.5147             nan     0.1526   -0.0000
   180        0.5140             nan     0.1526   -0.0002
   200        0.5130             nan     0.1526   -0.0000
   220        0.5126             nan     0.1526   -0.0000
   240        0.5123             nan     0.1526   -0.0000
   260        0.5123             nan     0.1526   -0.0001
   280        0.5114             nan     0.1526   -0.0001
   300        0.5104             nan     0.1526   -0.0001
   320        0.5101             nan     0.1526   -0.0001
   340        0.5089             nan     0.1526   -0.0002
   360        0.5082             nan     0.1526   -0.0001
   380        0.5076             nan     0.1526   -0.0001
   400        0.5072             nan     0.1526   -0.0001
   420        0.5064             nan     0.1526   -0.0000
   440        0.5057             nan     0.1526   -0.0001
   460        0.5052             nan     0.1526   -0.0001
   480        0.5054             nan     0.1526   -0.0001
   500        0.5042             nan     0.1526   -0.0001
   520        0.5039             nan     0.1526   -0.0002
   540        0.5032             nan     0.1526   -0.0001
   560        0.5026             nan     0.1526   -0.0002
   580        0.5020             nan     0.1526   -0.0001
   600        0.5013             nan     0.1526   -0.0001
   620        0.5017             nan     0.1526   -0.0004
   640        0.5012             nan     0.1526   -0.0000
   660        0.5014             nan     0.1526   -0.0001
   680        0.5008             nan     0.1526   -0.0001
   700        0.4997             nan     0.1526   -0.0000
   720        0.4997             nan     0.1526   -0.0000
   738        0.4989             nan     0.1526   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5267             nan     0.1541    0.0001
     2        0.5265             nan     0.1541    0.0001
     3        0.5262             nan     0.1541    0.0000
     4        0.5261             nan     0.1541    0.0000
     5        0.5259             nan     0.1541    0.0000
     6        0.5258             nan     0.1541    0.0001
     7        0.5257             nan     0.1541    0.0000
     8        0.5256             nan     0.1541    0.0000
     9        0.5255             nan     0.1541   -0.0000
    10        0.5254             nan     0.1541    0.0000
    20        0.5248             nan     0.1541    0.0000
    40        0.5243             nan     0.1541   -0.0001
    60        0.5241             nan     0.1541   -0.0000
    80        0.5240             nan     0.1541   -0.0000
   100        0.5238             nan     0.1541   -0.0000
   120        0.5236             nan     0.1541   -0.0000
   140        0.5235             nan     0.1541   -0.0000
   160        0.5234             nan     0.1541   -0.0000
   180        0.5233             nan     0.1541   -0.0000
   200        0.5232             nan     0.1541   -0.0000
   220        0.5231             nan     0.1541   -0.0000
   240        0.5231             nan     0.1541   -0.0001
   260        0.5233             nan     0.1541   -0.0006
   280        0.5229             nan     0.1541   -0.0001
   300        0.5228             nan     0.1541   -0.0000
   320        0.5228             nan     0.1541   -0.0000
   340        0.5227             nan     0.1541   -0.0000
   360        0.5226             nan     0.1541   -0.0000
   380        0.5225             nan     0.1541   -0.0000
   400        0.5225             nan     0.1541   -0.0000
   420        0.5224             nan     0.1541   -0.0000
   440        0.5224             nan     0.1541   -0.0001
   443        0.5224             nan     0.1541   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5265             nan     0.1632    0.0000
     2        0.5260             nan     0.1632    0.0000
     3        0.5257             nan     0.1632    0.0000
     4        0.5253             nan     0.1632    0.0001
     5        0.5250             nan     0.1632    0.0000
     6        0.5250             nan     0.1632   -0.0005
     7        0.5247             nan     0.1632   -0.0000
     8        0.5243             nan     0.1632   -0.0001
     9        0.5242             nan     0.1632   -0.0000
    10        0.5243             nan     0.1632   -0.0005
    20        0.5225             nan     0.1632   -0.0000
    40        0.5211             nan     0.1632   -0.0001
    60        0.5187             nan     0.1632   -0.0002
    80        0.5174             nan     0.1632   -0.0001
   100        0.5151             nan     0.1632   -0.0001
   120        0.5149             nan     0.1632   -0.0001
   140        0.5129             nan     0.1632   -0.0001
   160        0.5107             nan     0.1632   -0.0001
   180        0.5098             nan     0.1632   -0.0001
   200        0.5085             nan     0.1632   -0.0001
   220        0.5068             nan     0.1632   -0.0001
   240        0.5062             nan     0.1632   -0.0000
   260        0.5046             nan     0.1632   -0.0002
   280        0.5036             nan     0.1632   -0.0001
   300        0.5027             nan     0.1632   -0.0002
   320        0.5020             nan     0.1632   -0.0001
   329        0.5016             nan     0.1632   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5263             nan     0.1648    0.0001
     2        0.5258             nan     0.1648   -0.0000
     3        0.5255             nan     0.1648   -0.0001
     4        0.5251             nan     0.1648    0.0000
     5        0.5248             nan     0.1648   -0.0000
     6        0.5244             nan     0.1648   -0.0000
     7        0.5241             nan     0.1648   -0.0001
     8        0.5238             nan     0.1648   -0.0000
     9        0.5236             nan     0.1648   -0.0001
    10        0.5234             nan     0.1648   -0.0000
    20        0.5215             nan     0.1648   -0.0001
    40        0.5191             nan     0.1648   -0.0000
    60        0.5180             nan     0.1648   -0.0009
    80        0.5166             nan     0.1648   -0.0009
   100        0.5147             nan     0.1648   -0.0001
   120        0.5131             nan     0.1648   -0.0001
   140        0.5118             nan     0.1648   -0.0001
   160        0.5112             nan     0.1648   -0.0001
   180        0.5097             nan     0.1648   -0.0001
   200        0.5097             nan     0.1648   -0.0001
   220        0.5076             nan     0.1648   -0.0001
   240        0.5064             nan     0.1648   -0.0002
   260        0.5058             nan     0.1648   -0.0001
   280        0.5047             nan     0.1648   -0.0001
   300        0.5036             nan     0.1648   -0.0001
   320        0.5035             nan     0.1648   -0.0001
   340        0.5023             nan     0.1648   -0.0001
   360        0.5010             nan     0.1648   -0.0001
   380        0.5011             nan     0.1648   -0.0001
   400        0.5015             nan     0.1648   -0.0009
   420        0.5008             nan     0.1648   -0.0001
   440        0.4997             nan     0.1648   -0.0001
   460        0.4984             nan     0.1648   -0.0001
   480        0.4985             nan     0.1648   -0.0001
   500        0.4976             nan     0.1648   -0.0001
   520        0.4969             nan     0.1648   -0.0002
   540        0.4966             nan     0.1648   -0.0002
   560        0.4966             nan     0.1648   -0.0001
   580        0.4953             nan     0.1648   -0.0001
   600        0.4954             nan     0.1648   -0.0001
   620        0.4953             nan     0.1648   -0.0001
   640        0.4942             nan     0.1648   -0.0001
   660        0.4934             nan     0.1648   -0.0001
   680        0.4928             nan     0.1648   -0.0001
   700        0.4923             nan     0.1648   -0.0001
   720        0.4919             nan     0.1648   -0.0001
   740        0.4909             nan     0.1648   -0.0001
   760        0.4904             nan     0.1648   -0.0001
   776        0.4896             nan     0.1648   -0.0002

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5265             nan     0.1655    0.0000
     2        0.5262             nan     0.1655    0.0001
     3        0.5259             nan     0.1655    0.0001
     4        0.5255             nan     0.1655    0.0001
     5        0.5253             nan     0.1655    0.0001
     6        0.5252             nan     0.1655   -0.0000
     7        0.5250             nan     0.1655   -0.0001
     8        0.5248             nan     0.1655   -0.0000
     9        0.5246             nan     0.1655    0.0000
    10        0.5245             nan     0.1655    0.0000
    20        0.5237             nan     0.1655   -0.0000
    40        0.5225             nan     0.1655   -0.0001
    60        0.5217             nan     0.1655   -0.0001
    80        0.5210             nan     0.1655   -0.0000
   100        0.5199             nan     0.1655   -0.0001
   120        0.5188             nan     0.1655   -0.0000
   140        0.5177             nan     0.1655   -0.0001
   160        0.5169             nan     0.1655   -0.0001
   180        0.5158             nan     0.1655   -0.0000
   200        0.5155             nan     0.1655   -0.0000
   220        0.5146             nan     0.1655   -0.0001
   240        0.5141             nan     0.1655   -0.0000
   260        0.5142             nan     0.1655   -0.0004
   280        0.5135             nan     0.1655   -0.0000
   300        0.5127             nan     0.1655   -0.0001
   320        0.5119             nan     0.1655   -0.0001
   340        0.5113             nan     0.1655   -0.0001
   360        0.5119             nan     0.1655   -0.0001
   380        0.5125             nan     0.1655   -0.0000
   400        0.5112             nan     0.1655   -0.0001
   420        0.5108             nan     0.1655   -0.0000
   440        0.5100             nan     0.1655   -0.0001
   460        0.5091             nan     0.1655   -0.0000
   480        0.5087             nan     0.1655   -0.0001
   500        0.5080             nan     0.1655   -0.0001
   520        0.5080             nan     0.1655   -0.0001
   540        0.5074             nan     0.1655   -0.0001
   560        0.5068             nan     0.1655   -0.0001
   580        0.5064             nan     0.1655   -0.0000
   600        0.5057             nan     0.1655   -0.0001
   620        0.5053             nan     0.1655   -0.0001
   640        0.5049             nan     0.1655   -0.0001
   660        0.5046             nan     0.1655   -0.0001
   680        0.5050             nan     0.1655   -0.0001
   700        0.5035             nan     0.1655   -0.0001
   720        0.5031             nan     0.1655    0.0000
   740        0.5034             nan     0.1655   -0.0004
   760        0.5030             nan     0.1655   -0.0003

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5264             nan     0.1700    0.0001
     2        0.5260             nan     0.1700    0.0001
     3        0.5255             nan     0.1700    0.0000
     4        0.5252             nan     0.1700    0.0000
     5        0.5249             nan     0.1700   -0.0000
     6        0.5244             nan     0.1700    0.0000
     7        0.5242             nan     0.1700    0.0000
     8        0.5239             nan     0.1700   -0.0001
     9        0.5238             nan     0.1700   -0.0001
    10        0.5235             nan     0.1700   -0.0000
    20        0.5220             nan     0.1700   -0.0006
    40        0.5197             nan     0.1700   -0.0001
    60        0.5189             nan     0.1700   -0.0001
    80        0.5189             nan     0.1700   -0.0001
   100        0.5170             nan     0.1700   -0.0001
   120        0.5150             nan     0.1700   -0.0001
   140        0.5134             nan     0.1700   -0.0001
   160        0.5125             nan     0.1700   -0.0000
   180        0.5111             nan     0.1700   -0.0000
   200        0.5096             nan     0.1700   -0.0001
   220        0.5090             nan     0.1700   -0.0001
   240        0.5077             nan     0.1700   -0.0002
   260        0.5066             nan     0.1700   -0.0001
   280        0.5062             nan     0.1700   -0.0001
   300        0.5049             nan     0.1700   -0.0001
   320        0.5036             nan     0.1700   -0.0002
   340        0.5020             nan     0.1700   -0.0001
   360        0.5002             nan     0.1700   -0.0001
   380        0.4992             nan     0.1700   -0.0001
   400        0.4981             nan     0.1700   -0.0002
   420        0.4973             nan     0.1700   -0.0001
   440        0.4963             nan     0.1700   -0.0001
   460        0.4954             nan     0.1700   -0.0001
   480        0.4942             nan     0.1700   -0.0001
   500        0.4935             nan     0.1700   -0.0002
   520        0.4924             nan     0.1700   -0.0002
   540        0.4919             nan     0.1700   -0.0002
   560        0.4916             nan     0.1700   -0.0001
   580        0.4911             nan     0.1700   -0.0001
   600        0.4902             nan     0.1700   -0.0001
   620        0.4907             nan     0.1700   -0.0014
   640        0.4893             nan     0.1700   -0.0001
   660        0.4881             nan     0.1700   -0.0003
   680        0.4888             nan     0.1700   -0.0007
   700        0.4872             nan     0.1700   -0.0000
   720        0.4863             nan     0.1700   -0.0001
   740        0.4854             nan     0.1700   -0.0001
   760        0.4845             nan     0.1700   -0.0001
   780        0.4844             nan     0.1700   -0.0002
   800        0.4841             nan     0.1700   -0.0000
   820        0.4845             nan     0.1700   -0.0002
   840        0.4836             nan     0.1700   -0.0000
   860        0.4835             nan     0.1700   -0.0002
   880        0.4829             nan     0.1700   -0.0001
   900        0.4820             nan     0.1700   -0.0001
   920        0.4817             nan     0.1700   -0.0001
   940        0.4816             nan     0.1700   -0.0001
   960        0.4811             nan     0.1700   -0.0002
   964        0.4813             nan     0.1700   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5265             nan     0.1736    0.0001
     2        0.5261             nan     0.1736    0.0001
     3        0.5257             nan     0.1736    0.0001
     4        0.5255             nan     0.1736   -0.0000
     5        0.5254             nan     0.1736   -0.0000
     6        0.5251             nan     0.1736    0.0000
     7        0.5250             nan     0.1736   -0.0000
     8        0.5247             nan     0.1736    0.0000
     9        0.5246             nan     0.1736   -0.0001
    10        0.5245             nan     0.1736   -0.0000
    20        0.5233             nan     0.1736   -0.0001
    40        0.5224             nan     0.1736   -0.0001
    60        0.5212             nan     0.1736   -0.0001
    80        0.5200             nan     0.1736   -0.0001
   100        0.5196             nan     0.1736   -0.0001
   120        0.5187             nan     0.1736   -0.0002
   140        0.5179             nan     0.1736   -0.0001
   160        0.5169             nan     0.1736   -0.0001
   180        0.5162             nan     0.1736   -0.0001
   200        0.5154             nan     0.1736   -0.0001
   220        0.5147             nan     0.1736   -0.0001
   235        0.5139             nan     0.1736   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5265             nan     0.1769    0.0001
     2        0.5260             nan     0.1769    0.0001
     3        0.5258             nan     0.1769    0.0001
     4        0.5255             nan     0.1769    0.0000
     5        0.5253             nan     0.1769   -0.0000
     6        0.5251             nan     0.1769   -0.0000
     7        0.5248             nan     0.1769    0.0000
     8        0.5246             nan     0.1769    0.0000
     9        0.5244             nan     0.1769    0.0000
    10        0.5243             nan     0.1769   -0.0001
    20        0.5240             nan     0.1769   -0.0000
    40        0.5225             nan     0.1769   -0.0001
    60        0.5208             nan     0.1769   -0.0000
    80        0.5196             nan     0.1769   -0.0001
   100        0.5194             nan     0.1769   -0.0001
   120        0.5184             nan     0.1769   -0.0000
   140        0.5183             nan     0.1769   -0.0000
   160        0.5170             nan     0.1769   -0.0001
   180        0.5171             nan     0.1769   -0.0009
   200        0.5164             nan     0.1769   -0.0001
   220        0.5147             nan     0.1769   -0.0001
   240        0.5142             nan     0.1769   -0.0001
   260        0.5142             nan     0.1769   -0.0000
   280        0.5130             nan     0.1769   -0.0000
   300        0.5126             nan     0.1769   -0.0001
   320        0.5126             nan     0.1769   -0.0000
   340        0.5118             nan     0.1769   -0.0001
   360        0.5120             nan     0.1769   -0.0003
   380        0.5115             nan     0.1769   -0.0001
   400        0.5111             nan     0.1769   -0.0001
   420        0.5098             nan     0.1769   -0.0001
   440        0.5093             nan     0.1769   -0.0001
   460        0.5084             nan     0.1769   -0.0000
   480        0.5082             nan     0.1769   -0.0001
   500        0.5079             nan     0.1769   -0.0001
   520        0.5073             nan     0.1769   -0.0000
   540        0.5069             nan     0.1769   -0.0001
   560        0.5067             nan     0.1769   -0.0001
   580        0.5063             nan     0.1769   -0.0001
   600        0.5070             nan     0.1769   -0.0000
   620        0.5062             nan     0.1769   -0.0001
   640        0.5069             nan     0.1769   -0.0009
   660        0.5061             nan     0.1769   -0.0001
   680        0.5061             nan     0.1769   -0.0002
   700        0.5054             nan     0.1769   -0.0001
   720        0.5054             nan     0.1769   -0.0001
   740        0.5046             nan     0.1769   -0.0001
   760        0.5039             nan     0.1769   -0.0001
   780        0.5035             nan     0.1769   -0.0002
   800        0.5034             nan     0.1769   -0.0001
   820        0.5025             nan     0.1769   -0.0000
   840        0.5022             nan     0.1769   -0.0001
   860        0.5020             nan     0.1769   -0.0000
   880        0.5016             nan     0.1769   -0.0001
   900        0.5016             nan     0.1769   -0.0001
   920        0.5008             nan     0.1769   -0.0001
   940        0.5006             nan     0.1769   -0.0000
   945        0.5005             nan     0.1769   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5267             nan     0.1812    0.0001
     2        0.5262             nan     0.1812    0.0002
     3        0.5259             nan     0.1812    0.0000
     4        0.5256             nan     0.1812    0.0000
     5        0.5255             nan     0.1812   -0.0000
     6        0.5254             nan     0.1812   -0.0000
     7        0.5252             nan     0.1812   -0.0000
     8        0.5250             nan     0.1812    0.0001
     9        0.5249             nan     0.1812   -0.0001
    10        0.5249             nan     0.1812   -0.0001
    20        0.5241             nan     0.1812   -0.0004
    40        0.5232             nan     0.1812   -0.0000
    60        0.5223             nan     0.1812   -0.0001
    80        0.5214             nan     0.1812   -0.0000
   100        0.5207             nan     0.1812   -0.0000
   120        0.5202             nan     0.1812   -0.0000
   140        0.5198             nan     0.1812   -0.0001
   160        0.5194             nan     0.1812   -0.0000
   180        0.5188             nan     0.1812   -0.0001
   200        0.5181             nan     0.1812   -0.0000
   220        0.5177             nan     0.1812   -0.0001
   240        0.5184             nan     0.1812    0.0000
   260        0.5170             nan     0.1812   -0.0000
   280        0.5167             nan     0.1812   -0.0001
   300        0.5163             nan     0.1812   -0.0001
   320        0.5162             nan     0.1812   -0.0001
   340        0.5157             nan     0.1812   -0.0000
   360        0.5153             nan     0.1812   -0.0001
   380        0.5150             nan     0.1812   -0.0001
   400        0.5147             nan     0.1812   -0.0000
   420        0.5143             nan     0.1812   -0.0000
   440        0.5141             nan     0.1812   -0.0001
   460        0.5147             nan     0.1812    0.0000
   480        0.5138             nan     0.1812    0.0000
   500        0.5134             nan     0.1812   -0.0001
   520        0.5130             nan     0.1812   -0.0001
   540        0.5128             nan     0.1812   -0.0000
   560        0.5125             nan     0.1812   -0.0001
   580        0.5124             nan     0.1812   -0.0000
   600        0.5122             nan     0.1812   -0.0001
   620        0.5121             nan     0.1812   -0.0001
   632        0.5119             nan     0.1812   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5265             nan     0.1823    0.0000
     2        0.5262             nan     0.1823    0.0000
     3        0.5258             nan     0.1823    0.0001
     4        0.5255             nan     0.1823    0.0001
     5        0.5251             nan     0.1823    0.0001
     6        0.5249             nan     0.1823    0.0000
     7        0.5247             nan     0.1823   -0.0000
     8        0.5246             nan     0.1823   -0.0001
     9        0.5245             nan     0.1823   -0.0000
    10        0.5244             nan     0.1823   -0.0000
    20        0.5230             nan     0.1823   -0.0001
    40        0.5214             nan     0.1823   -0.0000
    60        0.5197             nan     0.1823   -0.0000
    80        0.5190             nan     0.1823   -0.0000
   100        0.5179             nan     0.1823   -0.0001
   120        0.5184             nan     0.1823   -0.0001
   140        0.5176             nan     0.1823   -0.0001
   157        0.5163             nan     0.1823   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5264             nan     0.1829    0.0002
     2        0.5260             nan     0.1829    0.0000
     3        0.5257             nan     0.1829    0.0000
     4        0.5254             nan     0.1829   -0.0000
     5        0.5251             nan     0.1829    0.0001
     6        0.5249             nan     0.1829    0.0000
     7        0.5248             nan     0.1829   -0.0001
     8        0.5246             nan     0.1829    0.0000
     9        0.5244             nan     0.1829   -0.0000
    10        0.5243             nan     0.1829   -0.0002
    20        0.5231             nan     0.1829   -0.0001
    40        0.5212             nan     0.1829   -0.0001
    60        0.5198             nan     0.1829   -0.0000
    80        0.5186             nan     0.1829   -0.0000
   100        0.5177             nan     0.1829   -0.0002
   120        0.5180             nan     0.1829   -0.0000
   140        0.5179             nan     0.1829   -0.0001
   160        0.5169             nan     0.1829   -0.0001
   180        0.5160             nan     0.1829   -0.0001
   192        0.5154             nan     0.1829   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5264             nan     0.1856    0.0003
     2        0.5257             nan     0.1856    0.0002
     3        0.5254             nan     0.1856    0.0000
     4        0.5252             nan     0.1856    0.0000
     5        0.5249             nan     0.1856   -0.0001
     6        0.5247             nan     0.1856    0.0000
     7        0.5245             nan     0.1856   -0.0000
     8        0.5243             nan     0.1856   -0.0001
     9        0.5241             nan     0.1856   -0.0000
    10        0.5238             nan     0.1856    0.0000
    20        0.5230             nan     0.1856   -0.0001
    40        0.5208             nan     0.1856   -0.0000
    60        0.5193             nan     0.1856   -0.0000
    80        0.5177             nan     0.1856   -0.0001
   100        0.5162             nan     0.1856   -0.0001
   120        0.5157             nan     0.1856   -0.0001
   140        0.5146             nan     0.1856   -0.0001
   160        0.5137             nan     0.1856    0.0000
   180        0.5122             nan     0.1856   -0.0001
   200        0.5108             nan     0.1856   -0.0001
   220        0.5131             nan     0.1856   -0.0002
   240        0.5119             nan     0.1856   -0.0002
   260        0.5125             nan     0.1856   -0.0002
   280        0.5107             nan     0.1856   -0.0001
   300        0.5098             nan     0.1856   -0.0001
   320        0.5084             nan     0.1856   -0.0000
   340        0.5083             nan     0.1856   -0.0001
   360        0.5069             nan     0.1856   -0.0001
   380        0.5069             nan     0.1856   -0.0001
   400        0.5062             nan     0.1856   -0.0001
   420        0.5049             nan     0.1856   -0.0001
   440        0.5045             nan     0.1856   -0.0002
   460        0.5036             nan     0.1856   -0.0001
   480        0.5033             nan     0.1856   -0.0001
   500        0.5036             nan     0.1856   -0.0001
   520        0.5036             nan     0.1856    0.0000
   540        0.5023             nan     0.1856   -0.0002
   560        0.5020             nan     0.1856    0.0000
   580        0.5007             nan     0.1856   -0.0001
   600        0.5010             nan     0.1856   -0.0001
   620        0.4999             nan     0.1856   -0.0001
   640        0.4993             nan     0.1856   -0.0001
   660        0.4988             nan     0.1856   -0.0001
   680        0.4983             nan     0.1856   -0.0001
   700        0.4976             nan     0.1856   -0.0001
   720        0.4973             nan     0.1856   -0.0000
   740        0.4968             nan     0.1856   -0.0001
   760        0.4961             nan     0.1856   -0.0001
   780        0.4961             nan     0.1856   -0.0001
   800        0.4955             nan     0.1856   -0.0001
   820        0.4946             nan     0.1856   -0.0001
   840        0.4942             nan     0.1856   -0.0001
   860        0.4935             nan     0.1856   -0.0001
   880        0.4936             nan     0.1856   -0.0002
   900        0.4932             nan     0.1856   -0.0001
   908        0.4929             nan     0.1856   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5264             nan     0.1858    0.0002
     2        0.5257             nan     0.1858    0.0001
     3        0.5254             nan     0.1858    0.0000
     4        0.5251             nan     0.1858   -0.0000
     5        0.5263             nan     0.1858   -0.0017
     6        0.5261             nan     0.1858   -0.0000
     7        0.5258             nan     0.1858    0.0001
     8        0.5263             nan     0.1858   -0.0011
     9        0.5261             nan     0.1858    0.0001
    10        0.5259             nan     0.1858   -0.0000
    20        0.5242             nan     0.1858   -0.0000
    40        0.5225             nan     0.1858   -0.0002
    60        0.5196             nan     0.1858   -0.0001
    80        0.5178             nan     0.1858   -0.0001
   100        0.5167             nan     0.1858   -0.0001
   120        0.5164             nan     0.1858   -0.0001
   140        0.5150             nan     0.1858   -0.0000
   160        0.5139             nan     0.1858   -0.0002
   180        0.5129             nan     0.1858   -0.0002
   200        0.5113             nan     0.1858   -0.0001
   220        0.5113             nan     0.1858   -0.0003
   240        0.5104             nan     0.1858   -0.0001
   260        0.5091             nan     0.1858   -0.0001
   280        0.5076             nan     0.1858   -0.0000
   300        0.5062             nan     0.1858   -0.0001
   320        0.5054             nan     0.1858   -0.0001
   340        0.5049             nan     0.1858   -0.0001
   351        0.5045             nan     0.1858   -0.0004

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5265             nan     0.1868    0.0001
     2        0.5262             nan     0.1868    0.0001
     3        0.5257             nan     0.1868    0.0001
     4        0.5254             nan     0.1868    0.0001
     5        0.5252             nan     0.1868    0.0000
     6        0.5247             nan     0.1868    0.0001
     7        0.5245             nan     0.1868   -0.0000
     8        0.5244             nan     0.1868    0.0000
     9        0.5243             nan     0.1868   -0.0001
    10        0.5241             nan     0.1868   -0.0001
    20        0.5229             nan     0.1868   -0.0001
    40        0.5219             nan     0.1868   -0.0000
    60        0.5204             nan     0.1868   -0.0001
    80        0.5202             nan     0.1868   -0.0002
   100        0.5194             nan     0.1868   -0.0000
   120        0.5185             nan     0.1868   -0.0001
   140        0.5176             nan     0.1868   -0.0001
   160        0.5168             nan     0.1868   -0.0000
   180        0.5166             nan     0.1868   -0.0001
   200        0.5150             nan     0.1868   -0.0003
   220        0.5143             nan     0.1868   -0.0001
   240        0.5134             nan     0.1868   -0.0001
   260        0.5126             nan     0.1868   -0.0006
   280        0.5118             nan     0.1868   -0.0001
   300        0.5111             nan     0.1868   -0.0001
   320        0.5107             nan     0.1868   -0.0001
   340        0.5099             nan     0.1868   -0.0001
   360        0.5100             nan     0.1868   -0.0001
   380        0.5094             nan     0.1868   -0.0001
   400        0.5088             nan     0.1868   -0.0001
   420        0.5087             nan     0.1868   -0.0000
   440        0.5079             nan     0.1868   -0.0001
   460        0.5080             nan     0.1868   -0.0002
   480        0.5076             nan     0.1868   -0.0001
   500        0.5068             nan     0.1868   -0.0001
   520        0.5061             nan     0.1868   -0.0001
   540        0.5057             nan     0.1868   -0.0001
   560        0.5054             nan     0.1868   -0.0002
   580        0.5048             nan     0.1868   -0.0001
   600        0.5049             nan     0.1868   -0.0001
   620        0.5040             nan     0.1868   -0.0001
   640        0.5035             nan     0.1868    0.0000
   660        0.5033             nan     0.1868   -0.0002
   680        0.5032             nan     0.1868   -0.0001
   700        0.5027             nan     0.1868   -0.0001
   720        0.5020             nan     0.1868   -0.0001
   740        0.5026             nan     0.1868   -0.0001
   760        0.5022             nan     0.1868   -0.0002
   780        0.5025             nan     0.1868   -0.0001
   800        0.5018             nan     0.1868   -0.0001
   820        0.5012             nan     0.1868   -0.0001
   840        0.5010             nan     0.1868   -0.0001
   860        0.5009             nan     0.1868   -0.0001
   880        0.5001             nan     0.1868   -0.0001
   900        0.4994             nan     0.1868   -0.0001
   920        0.5002             nan     0.1868   -0.0001
   940        0.4996             nan     0.1868   -0.0001
   960        0.4997             nan     0.1868   -0.0001
   964        0.4995             nan     0.1868   -0.0002

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5263             nan     0.1868    0.0002
     2        0.5255             nan     0.1868    0.0001
     3        0.5251             nan     0.1868    0.0000
     4        0.5246             nan     0.1868    0.0001
     5        0.5242             nan     0.1868    0.0000
     6        0.5240             nan     0.1868   -0.0001
     7        0.5236             nan     0.1868   -0.0001
     8        0.5235             nan     0.1868   -0.0001
     9        0.5232             nan     0.1868   -0.0001
    10        0.5231             nan     0.1868   -0.0001
    20        0.5216             nan     0.1868   -0.0002
    40        0.5204             nan     0.1868   -0.0001
    60        0.5176             nan     0.1868   -0.0001
    80        0.5157             nan     0.1868   -0.0001
   100        0.5142             nan     0.1868   -0.0001
   120        0.5129             nan     0.1868   -0.0001
   140        0.5117             nan     0.1868   -0.0003
   160        0.5103             nan     0.1868   -0.0001
   180        0.5092             nan     0.1868   -0.0001
   200        0.5079             nan     0.1868   -0.0001
   220        0.5068             nan     0.1868   -0.0001
   240        0.5057             nan     0.1868   -0.0002
   260        0.5043             nan     0.1868   -0.0001
   280        0.5043             nan     0.1868   -0.0001
   300        0.5045             nan     0.1868   -0.0002
   320        0.5037             nan     0.1868   -0.0004
   340        0.5023             nan     0.1868   -0.0002
   360        0.5012             nan     0.1868   -0.0001
   380        0.5006             nan     0.1868   -0.0001
   400        0.5014             nan     0.1868   -0.0001
   420        0.4999             nan     0.1868   -0.0001
   440        0.4989             nan     0.1868   -0.0001
   460        0.4979             nan     0.1868   -0.0001
   480        0.4971             nan     0.1868   -0.0001
   500        0.4964             nan     0.1868   -0.0001
   520        0.4959             nan     0.1868   -0.0001
   540        0.4951             nan     0.1868   -0.0001
   560        0.4943             nan     0.1868   -0.0001
   561        0.4942             nan     0.1868   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5263             nan     0.1877    0.0001
     2        0.5258             nan     0.1877    0.0001
     3        0.5255             nan     0.1877    0.0000
     4        0.5252             nan     0.1877    0.0000
     5        0.5250             nan     0.1877    0.0000
     6        0.5248             nan     0.1877    0.0000
     7        0.5247             nan     0.1877   -0.0001
     8        0.5245             nan     0.1877   -0.0000
     9        0.5243             nan     0.1877    0.0000
    10        0.5242             nan     0.1877   -0.0001
    20        0.5230             nan     0.1877    0.0000
    40        0.5210             nan     0.1877   -0.0001
    60        0.5195             nan     0.1877   -0.0001
    80        0.5190             nan     0.1877   -0.0001
   100        0.5181             nan     0.1877   -0.0002
   120        0.5173             nan     0.1877   -0.0001
   140        0.5165             nan     0.1877   -0.0001
   160        0.5158             nan     0.1877   -0.0000
   180        0.5149             nan     0.1877   -0.0001
   200        0.5143             nan     0.1877   -0.0001
   220        0.5136             nan     0.1877   -0.0002
   240        0.5129             nan     0.1877   -0.0001
   260        0.5123             nan     0.1877   -0.0001
   280        0.5116             nan     0.1877   -0.0001
   300        0.5111             nan     0.1877   -0.0001
   320        0.5119             nan     0.1877   -0.0002
   340        0.5101             nan     0.1877   -0.0001
   360        0.5097             nan     0.1877   -0.0001
   380        0.5093             nan     0.1877   -0.0003
   400        0.5087             nan     0.1877   -0.0001
   420        0.5093             nan     0.1877   -0.0001
   425        0.5090             nan     0.1877   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5267             nan     0.1908    0.0001
     2        0.5264             nan     0.1908    0.0000
     3        0.5262             nan     0.1908    0.0001
     4        0.5260             nan     0.1908    0.0001
     5        0.5259             nan     0.1908    0.0001
     6        0.5257             nan     0.1908    0.0000
     7        0.5256             nan     0.1908    0.0000
     8        0.5254             nan     0.1908    0.0000
     9        0.5253             nan     0.1908   -0.0000
    10        0.5252             nan     0.1908    0.0000
    20        0.5248             nan     0.1908    0.0000
    40        0.5243             nan     0.1908   -0.0000
    60        0.5240             nan     0.1908   -0.0001
    78        0.5238             nan     0.1908   -0.0000

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5264             nan     0.1913    0.0001
     2        0.5259             nan     0.1913    0.0002
     3        0.5257             nan     0.1913   -0.0001
     4        0.5254             nan     0.1913   -0.0000
     5        0.5251             nan     0.1913   -0.0000
     6        0.5248             nan     0.1913   -0.0001
     7        0.5247             nan     0.1913   -0.0001
     8        0.5244             nan     0.1913   -0.0001
     9        0.5242             nan     0.1913    0.0000
    10        0.5241             nan     0.1913   -0.0001
    20        0.5228             nan     0.1913   -0.0007
    40        0.5208             nan     0.1913   -0.0001
    60        0.5195             nan     0.1913   -0.0000
    80        0.5187             nan     0.1913   -0.0010
   100        0.5178             nan     0.1913   -0.0001
   120        0.5158             nan     0.1913   -0.0000
   140        0.5167             nan     0.1913   -0.0000
   160        0.5149             nan     0.1913   -0.0000
   180        0.5140             nan     0.1913   -0.0002
   200        0.5133             nan     0.1913   -0.0001
   212        0.5129             nan     0.1913   -0.0005

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5264             nan     0.1934    0.0002
     2        0.5262             nan     0.1934    0.0000
     3        0.5259             nan     0.1934    0.0001
     4        0.5256             nan     0.1934    0.0000
     5        0.5254             nan     0.1934   -0.0000
     6        0.5252             nan     0.1934    0.0000
     7        0.5250             nan     0.1934    0.0000
     8        0.5249             nan     0.1934   -0.0000
     9        0.5248             nan     0.1934   -0.0000
    10        0.5246             nan     0.1934    0.0000
    20        0.5239             nan     0.1934    0.0000
    40        0.5229             nan     0.1934   -0.0001
    60        0.5219             nan     0.1934   -0.0001
    80        0.5213             nan     0.1934   -0.0000
   100        0.5208             nan     0.1934   -0.0001
   120        0.5202             nan     0.1934   -0.0001
   140        0.5197             nan     0.1934   -0.0001
   160        0.5203             nan     0.1934   -0.0001
   180        0.5196             nan     0.1934   -0.0001
   200        0.5191             nan     0.1934   -0.0001
   220        0.5188             nan     0.1934   -0.0001
   240        0.5183             nan     0.1934   -0.0000
   260        0.5179             nan     0.1934   -0.0000
   280        0.5171             nan     0.1934    0.0001
   300        0.5174             nan     0.1934   -0.0001
   320        0.5167             nan     0.1934   -0.0001
   340        0.5164             nan     0.1934   -0.0001
   360        0.5161             nan     0.1934   -0.0001
   380        0.5159             nan     0.1934   -0.0000
   400        0.5157             nan     0.1934   -0.0001
   420        0.5154             nan     0.1934   -0.0000
   440        0.5151             nan     0.1934   -0.0000
   460        0.5147             nan     0.1934   -0.0000
   480        0.5144             nan     0.1934   -0.0001
   500        0.5141             nan     0.1934   -0.0001
   520        0.5138             nan     0.1934   -0.0001
   540        0.5138             nan     0.1934   -0.0001
   555        0.5135             nan     0.1934   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5263             nan     0.1936    0.0002
     2        0.5258             nan     0.1936    0.0000
     3        0.5254             nan     0.1936    0.0001
     4        0.5249             nan     0.1936    0.0002
     5        0.5245             nan     0.1936    0.0001
     6        0.5243             nan     0.1936   -0.0000
     7        0.5240             nan     0.1936   -0.0000
     8        0.5239             nan     0.1936   -0.0001
     9        0.5237             nan     0.1936   -0.0000
    10        0.5239             nan     0.1936   -0.0006
    20        0.5228             nan     0.1936   -0.0000
    40        0.5212             nan     0.1936   -0.0000
    60        0.5194             nan     0.1936   -0.0001
    80        0.5178             nan     0.1936   -0.0001
   100        0.5175             nan     0.1936   -0.0000
   120        0.5164             nan     0.1936   -0.0001
   140        0.5143             nan     0.1936   -0.0001
   160        0.5149             nan     0.1936   -0.0019
   180        0.5132             nan     0.1936   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5262             nan     0.1961    0.0001
     2        0.5258             nan     0.1961   -0.0000
     3        0.5254             nan     0.1961    0.0000
     4        0.5250             nan     0.1961    0.0000
     5        0.5248             nan     0.1961   -0.0000
     6        0.5246             nan     0.1961   -0.0001
     7        0.5243             nan     0.1961   -0.0000
     8        0.5240             nan     0.1961   -0.0000
     9        0.5237             nan     0.1961   -0.0000
    10        0.5235             nan     0.1961   -0.0000
    20        0.5220             nan     0.1961   -0.0001
    40        0.5204             nan     0.1961   -0.0001
    60        0.5186             nan     0.1961   -0.0001
    80        0.5169             nan     0.1961   -0.0004
   100        0.5153             nan     0.1961   -0.0001
   120        0.5141             nan     0.1961   -0.0000
   140        0.5132             nan     0.1961   -0.0002
   160        0.5117             nan     0.1961   -0.0001
   180        0.5107             nan     0.1961   -0.0001
   200        0.5103             nan     0.1961   -0.0001
   220        0.5099             nan     0.1961   -0.0001
   240        0.5089             nan     0.1961   -0.0001
   260        0.5079             nan     0.1961   -0.0001
   280        0.5075             nan     0.1961   -0.0001
   300        0.5065             nan     0.1961   -0.0002
   320        0.5058             nan     0.1961   -0.0002
   340        0.5052             nan     0.1961   -0.0001
   360        0.5046             nan     0.1961   -0.0001
   380        0.5040             nan     0.1961   -0.0002
   400        0.5032             nan     0.1961   -0.0001
   420        0.5028             nan     0.1961   -0.0001
   440        0.5031             nan     0.1961   -0.0002
   460        0.5021             nan     0.1961   -0.0002
   480        0.5013             nan     0.1961   -0.0001
   500        0.5003             nan     0.1961   -0.0001
   520        0.4994             nan     0.1961   -0.0001
   540        0.4989             nan     0.1961   -0.0002
   560        0.4986             nan     0.1961   -0.0001
   580        0.4980             nan     0.1961   -0.0001
   600        0.4974             nan     0.1961   -0.0001
   620        0.4966             nan     0.1961   -0.0001
   640        0.4960             nan     0.1961   -0.0001
   660        0.4955             nan     0.1961   -0.0001
   680        0.4947             nan     0.1961   -0.0001
   700        0.4943             nan     0.1961   -0.0002
   720        0.4954             nan     0.1961   -0.0002
   740        0.4949             nan     0.1961   -0.0001
   760        0.4951             nan     0.1961   -0.0001
   780        0.4947             nan     0.1961   -0.0001
   800        0.4956             nan     0.1961   -0.0002
   820        0.4943             nan     0.1961   -0.0001
   840        0.4932             nan     0.1961   -0.0001
   845        0.4931             nan     0.1961   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5263             nan     0.1962    0.0002
     2        0.5260             nan     0.1962    0.0000
     3        0.5257             nan     0.1962   -0.0000
     4        0.5255             nan     0.1962   -0.0000
     5        0.5251             nan     0.1962    0.0001
     6        0.5248             nan     0.1962    0.0000
     7        0.5246             nan     0.1962    0.0000
     8        0.5245             nan     0.1962   -0.0001
     9        0.5244             nan     0.1962   -0.0000
    10        0.5243             nan     0.1962   -0.0001
    20        0.5232             nan     0.1962   -0.0001
    40        0.5219             nan     0.1962   -0.0001
    60        0.5203             nan     0.1962   -0.0001
    80        0.5193             nan     0.1962   -0.0002
   100        0.5184             nan     0.1962   -0.0001
   120        0.5175             nan     0.1962   -0.0001
   140        0.5165             nan     0.1962   -0.0001
   160        0.5157             nan     0.1962   -0.0001
   180        0.5152             nan     0.1962   -0.0001
   200        0.5146             nan     0.1962   -0.0001
   220        0.5140             nan     0.1962   -0.0001
   237        0.5133             nan     0.1962   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5263             nan     0.1983    0.0002
     2        0.5257             nan     0.1983    0.0001
     3        0.5253             nan     0.1983    0.0001
     4        0.5250             nan     0.1983    0.0000
     5        0.5249             nan     0.1983   -0.0000
     6        0.5247             nan     0.1983    0.0000
     7        0.5246             nan     0.1983   -0.0001
     8        0.5243             nan     0.1983   -0.0000
     9        0.5241             nan     0.1983    0.0000
    10        0.5240             nan     0.1983   -0.0001
    20        0.5229             nan     0.1983   -0.0001
    40        0.5213             nan     0.1983   -0.0002
    60        0.5201             nan     0.1983   -0.0001
    80        0.5189             nan     0.1983   -0.0001
   100        0.5182             nan     0.1983   -0.0001
   120        0.5172             nan     0.1983   -0.0000
   140        0.5162             nan     0.1983   -0.0001
   160        0.5155             nan     0.1983   -0.0001
   180        0.5148             nan     0.1983    0.0000
   200        0.5141             nan     0.1983   -0.0001
   220        0.5134             nan     0.1983   -0.0002
   240        0.5129             nan     0.1983   -0.0002
   260        0.5126             nan     0.1983   -0.0001
   280        0.5120             nan     0.1983   -0.0001
   300        0.5114             nan     0.1983   -0.0001
   320        0.5108             nan     0.1983   -0.0001
   340        0.5104             nan     0.1983   -0.0001
   360        0.5098             nan     0.1983   -0.0000
   380        0.5094             nan     0.1983   -0.0000
   400        0.5089             nan     0.1983   -0.0002
   420        0.5082             nan     0.1983   -0.0001
   440        0.5077             nan     0.1983   -0.0001
   460        0.5072             nan     0.1983   -0.0001
   480        0.5068             nan     0.1983   -0.0001
   500        0.5064             nan     0.1983   -0.0002
   520        0.5060             nan     0.1983   -0.0001
   540        0.5057             nan     0.1983   -0.0001
   560        0.5052             nan     0.1983   -0.0001
   580        0.5048             nan     0.1983   -0.0001
   600        0.5043             nan     0.1983   -0.0000
   620        0.5052             nan     0.1983   -0.0001
   640        0.5050             nan     0.1983   -0.0001
   660        0.5045             nan     0.1983   -0.0000
   680        0.5044             nan     0.1983   -0.0002
   700        0.5041             nan     0.1983   -0.0001
   720        0.5035             nan     0.1983   -0.0001
   740        0.5031             nan     0.1983   -0.0001
   760        0.5026             nan     0.1983   -0.0001
   780        0.5023             nan     0.1983   -0.0002
   800        0.5020             nan     0.1983   -0.0001
   820        0.5016             nan     0.1983   -0.0001
   837        0.5011             nan     0.1983   -0.0001

Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.5289             nan     0.0215    0.0000
     2        0.5289             nan     0.0215    0.0000
     3        0.5288             nan     0.0215    0.0000
     4        0.5288             nan     0.0215    0.0000
     5        0.5288             nan     0.0215    0.0000
     6        0.5287             nan     0.0215    0.0000
     7        0.5287             nan     0.0215    0.0000
     8        0.5287             nan     0.0215    0.0000
     9        0.5286             nan     0.0215    0.0000
    10        0.5286             nan     0.0215    0.0000
    20        0.5283             nan     0.0215    0.0000
    40        0.5279             nan     0.0215    0.0000
    60        0.5276             nan     0.0215    0.0000
    80        0.5273             nan     0.0215    0.0000
   100        0.5272             nan     0.0215    0.0000
   120        0.5270             nan     0.0215    0.0000
   140        0.5269             nan     0.0215   -0.0000
   160        0.5267             nan     0.0215    0.0000
   180        0.5266             nan     0.0215   -0.0000
   200        0.5265             nan     0.0215   -0.0000
   220        0.5264             nan     0.0215   -0.0000
   240        0.5264             nan     0.0215   -0.0000
   256        0.5263             nan     0.0215   -0.0000

Model Inspection

In this section we will inspect the model, please note that these are the key inspection steps, however there are other things to take into consideration.

We first look at the variable importance. This is the key variables that the model detected to predict the target.

summary(objModel)

                                    var    rel.inf
veh_value                     veh_value 41.8116272
agecat                           agecat 34.0979800
veh_bodyUTE                 veh_bodyUTE  8.6390381
veh_age                         veh_age  5.2497066
area.D                           area.D  3.3966231
veh_bodyPANVN             veh_bodyPANVN  2.1762529
veh_bodyHDTOP             veh_bodyHDTOP  0.8515127
area.B                           area.B  0.6786588
veh_bodyBUS_Class     veh_bodyBUS_Class  0.6688675
veh_bodySEDAN             veh_bodySEDAN  0.4987679
area.C                           area.C  0.4727447
veh_bodySPORT_Class veh_bodySPORT_Class  0.4163808
area.F                           area.F  0.3734241
area.A                           area.A  0.2591366
gender.F                       gender.F  0.2221002
area.E                           area.E  0.1871786
veh_bodyHBACK             veh_bodyHBACK  0.0000000
veh_bodyMCARA             veh_bodyMCARA  0.0000000
veh_bodySTNWG             veh_bodySTNWG  0.0000000
gender.M                       gender.M  0.0000000

Here we can see that veh_value and agecat were identified as the most predictive variables.

We can also inspect the performance of the model as the number of trees increase, in the plot below, the blue line indicates the optimal number of trees to be fitted. Some implementations of the GBM model allows for early stopping, this can significantly speed up the training process. Please refer to this link for more information.

gbm::gbm.perf(objModel$finalModel)

[1] 114
attr(,"smoother")
Call:
loess(formula = object$oobag.improve ~ x, enp.target = min(max(4, 
    length(x)/10), 50))

Number of Observations: 256 
Equivalent Number of Parameters: 20.73 
Residual Standard Error: 0.000002153 

If we inspect the entire model, we will see the full output of each iteration. The last line specifies which model was selected.

objModel
Stochastic Gradient Boosting 

50892 samples
   21 predictor

No pre-processing
Resampling: Cross-Validated (3 fold) 
Summary of sample sizes: 33928, 33928, 33928 
Resampling results across tuning parameters:

  shrinkage  interaction.depth  n.minobsinnode  n.trees  RMSE     
  0.0105     4                   17             623      0.2796913
  0.0177     2                   55             747      0.2797509
  0.0178     5                   49             826      0.2800402
  0.0205     3                   48             805      0.2798021
  0.0215     1                   85             256      0.2796373
  0.0240     2                   28             790      0.2798250
  0.0244     3                    4             745      0.2861232
  0.0264     2                    4             323      0.2796823
  0.0272     0                   14             743            NaN
  0.0273     2                   57             126      0.2796525
  Rsquared      MAE      
  0.0015883241  0.1353419
  0.0013671707  0.1356119
  0.0009059742  0.1353134
  0.0014351004  0.1353857
  0.0017559770  0.1359073
  0.0012157671  0.1358156
  0.0009264449  0.1363464
  0.0016252723  0.1357374
           NaN        NaN
  0.0016932879  0.1356833
 [ reached getOption("max.print") -- omitted 90 rows ]

RMSE was used to select the optimal model using the smallest value.
The final values used for the model were n.trees = 256, interaction.depth =
 1, shrinkage = 0.0215 and n.minobsinnode = 85.

Model Validation

In order to decide if the model is good, we need to evaluate the performance of this model. The first thing to note is that the definition of a good model is relative. Primarily, it is relative to what the benchmark is. Thus, if you have an existing model, the model evaluation metrics should be compared with the existing model. A metric, such as the Gini or RMSE on its own does not mean anything! Saying we have a Gini equal to 0.6 (higher being better) does NOT imply a good or bad model. However, with that said, we do know that a bad model is one with a Gini equal to 0.

We don’t have a baseline model, so what we need to do is compare the prediction stability between the training and testing set :

# Get predictions on your testing data
trainDF$pred <- predict(object = objModel, trainDF)

liftDatTrain <- data.frame(obs = trainDF$numclaims, pred = trainDF$pred) %>%
  arrange(-pred) %>%
  mutate(perc    = obs/sum(obs),
         obsCum  = cumsum(obs),
         predCum = cumsum(pred),
         n       = 100 * (1:nrow(.))/nrow(.))

giniTrain <- MLmetrics::NormalizedGini(y_pred = trainDF$pred, y_true = trainDF$numclaims)
rmseTrain <- RMSE(trainDF$pred, trainDF$numclaims)

liftDatTrain %>% 
  plotly::plot_ly(x   = ~n, y = ~obsCum,  type = 'scatter', mode = 'lines', name = "Observed") %>%
  plotly::add_lines(x = ~n, y = ~predCum, type = 'scatter', mode = 'lines', name = "Predicted") %>% 
  plotly::layout(title = "Train Data - Lift Curve",
                 xaxis = list(title = "Percentiles"),
                 yaxis = list(title = "Observed/Predicted")) %>%
  plotly::add_annotations(x         = 20,
                          y         = 2875,
                          text      = paste0("gini    = ", giniTrain %>% round(digits = 4)),
                          showarrow = FALSE) %>%
  plotly::add_annotations(x         = 20,
                          y         = 2750,
                          text      = paste0("RMSE = ", rmseTrain %>% round(digits = 4)),
                          showarrow = FALSE)
# Get predictions on your testing data
testDF$pred <- predict(object = objModel, testDF)
liftDatTest <- data.frame(obs = testDF$numclaims, pred = testDF$pred) %>%
  arrange(-pred) %>%
  mutate(perc    = obs/sum(obs),
         obsCum  = cumsum(obs),
         predCum = cumsum(pred),
         n       = 100 * (1:nrow(.))/nrow(.))

giniTest <- MLmetrics::NormalizedGini(y_pred = testDF$pred, y_true = testDF$numclaims)
rmseTest <- RMSE(testDF$pred, testDF$numclaims)

liftDatTest %>% 
  plotly::plot_ly(x   = ~n, y = ~obsCum,  type = 'scatter', mode = 'lines', name = "Observed") %>%
  plotly::add_lines(x = ~n, y = ~predCum, type = 'scatter', mode = 'lines', name = "Predicted") %>% 
  plotly::layout(title = "Test Data - Lift Curve",
                 xaxis = list(title = "Percentiles"),
                 yaxis = list(title = "Observed/Predicted")) %>%
  plotly::add_annotations(x         = 20,
                          y         = 1075,
                          text      = paste0("gini    = ", giniTest %>% round(digits = 4)),
                          showarrow = FALSE) %>%
  plotly::add_annotations(x         = 20,
                          y         = 950,
                          text      = paste0("RMSE = ", rmseTest %>% round(digits = 4)),
                          showarrow = FALSE)

Here we can see that the Gini and RMSE are relatively close to one another. The Gini is a bit further away from the train set than hoped for, but it isn’t too far. We can also see from the plot that the model tend to over-predict on the test set, which will lead to slightly more conservative results (which in insurance isn’t a bad thing).

Finally, we take a look at partial dependence plots, these can be thought of as the impact that the model derives from each variable (on average) with respect to the response.

pdp::partial(objModel, 
             pred.var    = "veh_value", 
             plot        = TRUE, 
             rug         = TRUE, 
             plot.engine = "ggplot2")

Clearly, the more expensive the vehicle becomes, the more higher the claim frequency becomes, there is an odd behavior around 6.8 - this might be due to low number of vehicles in this category and we might want to group them with another category.

pdp::partial(objModel, 
             pred.var    = "agecat", 
             plot        = TRUE, 
             rug         = TRUE, 
             plot.engine = "ggplot2")

We can also see that as the age category increases, the risk of claiming decreases. This is a typical and expected result.

Some other things to consider :

  1. Interaction between variables
  2. Localized interpretation
  3. Observed and Expected plots by variable separated for train and test sets

Quck Glance at GBMs

GBMs are made up of weak learners. What this means, is that it is a combination of models, each one slightly improving the previous one where the final result is a model which can very accurately predict the behavior of the underlying data.

General Idea

The first tree fit in the series is a single decision stump (i.e. a tree with a single split). Each successive decision stump thereafter is fit to the previous one’s residuals (errors). Initially there are large errors, but each additional decision stump in the sequence makes a small improvement in different areas across the feature space where errors still remain.

The improvements between each step are done using a method called Gradient Descent.

Gradient Descent

Gradient boosting is considered a gradient descent algorithm. Gradient descent is a very generic optimization algorithm capable of finding optimal solutions to a wide range of problems. The general idea of gradient descent is to tweak parameter(s) iteratively in order to minimize a cost function (loss function).

Suppose you are a downhill skier racing your friend. A good strategy to beat your friend to the bottom is to take the path with the steepest slope. This is exactly what gradient descent does.

Gradient Decent is controlled mainly with 2 parameters :

  1. The learning rate
  2. The number of steps (trees)

Step Size Issues

If the learning rate is too big, we can end up “overshooting” the minimum, whereas if it is too small, we might never reach the minimum.

Why not simply choose a small learning rate but increase the number of tress to be really big? Well, there are 2 reasons for this :

  1. Time… The more trees you choose the longer it will take to train the model
  2. Overfitting, if we set the trees to be very large and the learning rate small, we might end up learning the noise in the data

Non-convex Issue

The final point to mention is that most often we won’t be facing nice convex optimization issues as illustrated above. In reality, we will be faced with non-convex spaces, with many local minima and a single global minima.

As illustrated above, there are 2 “paths” to take and they will both lead to different results - one local minima and then also the global minima. However, if the algorithm stared “heading” towards the local minima we would never be able to reach the global minima.

This problem becomes more complex with adding more variables.

There is no way we can solve this problem algorithmically, hence we can never guarantee that we have the best possible model. One way to solve this issues is by choosing a number of different starting points resulting in a large number of models and then choosing the model with the best results.

A solution to this problem is using a parameter search space. We can perform this search in many ways, but the most common forms of these searches are :

  1. A Grid Search
  2. A Random Search

A grid search uniformly covers the entire search space, whereas a random search covers a wide range of values.

With small data sets and lots of resources, Grid Search will produce accurate results. However, with large data sets, the high dimensions will greatly slow down computation time and be very costly. In this instance, it is advised to use Randomized Search since the number of iterations is explicitly defined by the data scientist.

Conclusion

GBMs are very powerful, but it comes with its own set of problems.

  1. Interpretability
  2. Implementation

A general issue with “advanced” ML algorithms is that they become more difficult to interpret and are widely considered as “black box models” where we imagine the computer is building a model with the human not knowing what exactly is being done. This interpretable issue is getting solved day-by-day, for a model-agnostic interpretation please refer to this book.

Linear models can easily be implemented in any IT system, as a prediction via a linear model is simply using a “rule-based” approach, where we load up a coefficient table and make our predictions via this table and some transformation (like exponentiate it, potentially). The implementation of GBMs is much more tricky, since a model is a combination of trees, each tree having a number of splits (these can individually be considered to be rule based). The solution to this problem is a little bit more technical, but easily solved in these days. We can use APIs to expose our models to an external environment (which in turn can call our model). You can learn more about APIs via R in this article.

For more information on GBMs please refer to this link or search the internet for resources.